Хвала вам што сте посетили Nature.com. Верзија прегледача коју користите има ограничену CSS подршку. За најбоље резултате, препоручујемо вам да користите новију верзију прегледача (или да онемогућите режим компатибилности у Internet Explorer-у). У међувремену, како бисмо осигурали континуирану подршку, приказујемо сајт без стилизовања или JavaScript-а.
Једна од најперспективнијих примена машинског учења у рачунарској физици је убрзано решавање парцијалних диференцијалних једначина (ПДЈ). Главни циљ решавача парцијалних диференцијалних једначина заснованог на машинском учењу јесте да произведе решења која су довољно тачна и бржа од стандардних нумеричких метода да би послужила као основна поређење. Прво спроводимо систематски преглед литературе о машинском учењу о решавању парцијалних диференцијалних једначина. Од свих радова који извештавају о употреби машинског учења за решавање парцијалних диференцијалних једначина флуида и тврде да су супериорни у односу на стандардне нумеричке методе, идентификовали смо 79% (60/76) у поређењу са слабим основним линијама. Друго, пронашли смо доказе о широко распрострањеној пристрасности у извештавању, посебно у извештавању о исходима и пристрасности у објављивању. Закључујемо да су истраживања машинског учења о решавању парцијалних диференцијалних једначина превише оптимистична: слаби улазни подаци могу довести до превише позитивних резултата, а пристрасност у извештавању може довести до недовољног извештавања о негативним резултатима. У великој мери, ови проблеми изгледа да су узроковани факторима сличним прошлим кризама репродуктивности: дискреција истраживача и пристрасност позитивних исхода. Позивамо на културне промене одоздо нагоре како би се минимизирало пристрасно извештавање и структурне реформе одозго надоле како би се смањили перверзни подстицаји за то.
Списак аутора и чланака генерисаних систематским прегледом, као и класификација сваког чланка у случајном узорку, јавно је доступан на https://doi.org/10.17605/OSF.IO/GQ5B3 (реф. 124).
Код потребан за репродукцију резултата у Табели 2 може се наћи на ГитХабу: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (реф. 125) и на Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (линк 126) и https://codeocean.com/capsule/0799002/tree/v1 (линк 127).
Рендал, Д. и Велсер, К., Криза нерепродуцибилности у модерној науци: узроци, последице и путеви реформе (Национално удружење научника, 2018).
Ричи, С. Научна фантастика: Како превара, пристрасност, ћутање и претерана реклама поткопавају потрагу за истином (Vintage, 2020).
Отворена научна сарадња. Процена репродуктивности у психолошкој науци. Science 349, AAAC4716 (2015).
Принц, Ф., Шланге, Т. и Асадула, К. Веровали или не: Колико се можемо ослонити на објављене податке о потенцијалним метама лекова? Nat. Rev. „Откриће лекова.“ 10, 712 (2011).
Бегли, КГ и Елис, ЛМ Подизање стандарда у преклиничким истраживањима рака. Nature 483, 531–533 (2012).
А. Гелман и Е. Локен, Башта рачвајућих стаза: Зашто су вишеструка поређења проблем чак и без „рибарских експедиција“ или „p-хакова“ и унапред формираних истраживачких хипотеза, вол. 348, 1–17 (Одељење за статистику, 2013).
Карађорђи, Г., Касецка, Г., Кравиц, С., Нахман, Б. и Ши, Д. Машинско учење у потрази за новом фундаменталном физиком. Национални доктор филозофије из физике. 4, 399–412 (2022).
Дара С, Дамерчерла С, Џадхав СС, Бабу ЦМ и Ахсан МЈ. Машинско учење у откривању лекова: преглед. Atif. Intel. Ed. 55, 1947–1999 (2022).
Матер, А. С. и Кут, М. Л. Дубоко учење у хемији. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Рајкомар А., Дин Џ. и Кохан И. Машинско учење у медицини. New England Journal of Medicine. 380, 1347–1358 (2019).
Гример Ј, Робертс МЕ и Стјуарт БМ Машинско учење у друштвеним наукама: агностички приступ. Пречасна Ен Бол. science. 24, 395–419 (2021).
Џамп, Џ. и др. Направите веома прецизна предвиђања структуре протеина користећи алфафолд. Nature 596, 583–589 (2021).
Гундерсен, ОЕ, Коукли, К., Киркпатрик, К. и Гил, Ј. Извори нерепродуцибилности у машинском учењу: Преглед. Препринт доступан на https://arxiv.org/abs/2204.07610 (2022).
Скали, Д., Снук, Ј., Вилчко, А. и Рахими, А. Проклетство победника? О брзини, напретку и ригорозности емпиријских доказа (ICLR, 2018).
Армстронг, ТГ, Мофат, А., Вебер, В. и Зобел, Ј. Неадитивна побољшања: прелиминарни резултати претраге од 1998. 18. ACM конференција о управљању информацијама и знањем 601–610 (ACM 2009).
Капур, С. и Нарајанан, А. Кризе цурења и репродуктивности у науци заснованој на машинском учењу. Patterns, 4, 100804 (2023).
Капур С. и др. Реформа: стандарди научног извештавања засновани на машинском учењу. Препринт доступан на https://arxiv.org/abs/2308.07832 (2023).
ДеМаси, О., Кординг, К. и Рехт, Б. Бесмислена поређења могу довести до лажног оптимизма у медицинском машинском учењу. PloS ONE 12, e0184604 (2017).
Робертс, М. и др. Уобичајене замке и најбоље праксе за коришћење машинског учења за откривање и предвиђање COVID-19 на основу рендгенских снимака грудног коша и компјутеризоване томографије. Nat. Max. Intel. 3, 199–217 (2021).
Винанц Л. и др. Предиктивни модели за дијагнозу и прогнозу COVID-19: систематски преглед и критичка процена. BMJ 369, m1328 (2020).
Вејлен С., Шрајбер Џ., Нобл ВС и Полард КС, Превазилажење замки коришћења машинског учења у геномици. Nat. Pastor Ginette. 23, 169–181 (2022).
Атрис Н. и др. Најбоље праксе за машинско учење у хемији. Nat. Chemical. 13, 505–508 (2021).
Брантон СЛ и Куц ЈН Обећавајући правци за машинско учење парцијалних диференцијалних једначина. Nat. calculate. science. 4, 483–494 (2024).
Винуеса, Р. и Брантон, СЛ Унапређење рачунарске динамике флуида путем машинског учења. Nat. calculate. science. 2, 358–366 (2022).
Комо, С. и др. Научно машинско учење са физички информисаним неуронским мрежама: Где смо сада и шта је следеће. J. Science. calculate. 92, 88 (2022).
Дураисами, К., Јакарино, Г. и Сјао, Х. Моделирање турбуленције у ери података. Ревидирано издање часописа Ann. 51, 357–377 (2019).
Дуран, ДР Нумеричке методе за решавање таласних једначина у геофизичкој хидродинамици, вол. 32 (Спрингер, 2013).
Мишра, С. Оквир машинског учења за убрзавање израчунавања диференцијалних једначина заснованог на подацима. математика. инжењер. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Кочиков Д. и др. Машинско учење – убрзање рачунарске динамике флуида. процес. Национална академија наука. наука. САД 118, e2101784118 (2021).
Кадапа, К. Машинско учење за рачунарске науке и инжењерство – кратак увод и нека кључна питања. Препринт доступан на https://arxiv.org/abs/2112.12054 (2021).
Рос, А., Ли, З., Пережогин, П., Фернандез-Гранда, К. и Зана, Л. Компаративна анализа параметризације океанске подмреже машинског учења у идеализованим моделима. J.Adv. Model. Earth system. 15. e2022MS003258 (2023).
Липе, П., Вилинг, Б., Пердикарис, П., Тарнер, Р. и Брандштетер, Ј. Усавршавање парцијалних диференцијалних једначина: постизање прецизних дугачких екструзија помоћу неуронског решавача парцијалних диференцијалних једначина. 37. конференција о системима за обраду неуронских информација (NeurIPS 2023).
Фрачас, ПР и др. Алгоритам повратног ширења и прорачун резервоара у рекурентним неуронским мрежама за предвиђање сложене просторно-временске динамике. neurona network. 126, 191–217 (2020).
Раиси, М., Пердикарис, П. и Карнијадакис, Г. Е. Физика, рачунарство, неуронске мреже: оквир дубоког учења за решавање директних и инверзних проблема који укључују нелинеарне парцијалне диференцијалне једначине. J. Computer. physics. 378, 686–707 (2019).
Гросман, ТГ, Коморовска, УЈ, Луц, Ј. и Шенлиб, К.-Б. Да ли неуронске мреже засноване на физици могу надмашити методе коначних елемената? IMA J. Applications. mathematics. 89, 143–174 (2024).
де ла Мата, ФФ, Хихон, А., Молина-Солана, М. и Гомез-Ромеро, Ј. Неуронске мреже засноване на физици за моделирање вођено подацима: предности, ограничења и могућности. physics. A 610, 128415 (2023).
Жуанг, П.-Ј. и Барба, Л.А. Емпиријски извештај о неуронским мрежама заснованим на физици у моделирању флуида: замке и разочарања. Препринт доступан на https://arxiv.org/abs/2205.14249 (2022).
Жуанг, П.-Ј. и Барба, Л.А. Предиктивна ограничења физички информисаних неуронских мрежа на формирање вртлога. Препринт доступан на https://arxiv.org/abs/2306.00230 (2023).
Ванг, С., Ју, Х. и Пердикарис, П. Када и зашто пинови не успевају да се тренирају: Перспектива неуронског тангентног језгра. J. Computer. physics. 449, 110768 (2022).
Кришнапријан, А., Голами, А., Же, С., Кирби, Р. и Махони, МВ Карактеристике могућих начина отказа у физичким информационим неуронским мрежама. 35. конференција о системима за обраду неуронских информација, том 34, 26548–26560 (NeurIPS 2021).
Басир, С. и Сенокак, И. Критичка студија начина отказа у неуронским мрежама заснованим на физици. У AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Карнаков П., Литвинов С. и Кумуцакос П. Решавање физичких инверзних проблема оптимизацијом дискретних губитака: брзо и тачно учење без неуронских мрежа. процес. Национална академија наука. наука. Nexus 3, pgae005 (2024).
Гундерсен ОЕ Основни принципи репродуктивности. Фил.крос. Р. Шукер. А 379, 20200210 (2021).
Ароматарис Е и Пирсон А. Систематски прегледи: преглед. Да. J. Nursing 114, 53–58 (2014).
Магијера, Ј., Реј, Д., Хестхејвен, ЈС и Роде, К. Неуронске мреже свесне ограничења за Риманов проблем. J. Computer. physics. 409, 109345 (2020).
Безгин Д.А., Шмит С.Ј. и Адамс Н.А. Коло коначне запремине вођено подацима, физички информисано, за некласичне смањене напонске ударе. J. Computer. physics. 437, 110324 (2021).
Време објаве: 29. септембар 2024.