Hatur nuhun pikeun ngadatangan Nature.com. Versi browser anu anjeun anggo gaduh dukungan CSS kawates. Pikeun hasil nu pangsaena, kami nyarankeun Anjeun make versi anyar tina panyungsi anjeun (atawa nonaktipkeun Mode kasaluyuan dina Internet Explorer). Samentara éta, pikeun mastikeun rojongan lumangsung, kami némbongkeun situs tanpa styling atanapi JavaScript.
Salah sahiji aplikasi pembelajaran mesin anu paling ngajangjikeun dina fisika komputasi nyaéta solusi gancangan tina persamaan diferensial parsial (PDE). Tujuan utama panyusun persamaan diferensial parsial dumasar-mesin nyaéta pikeun ngahasilkeun solusi anu akurat cukup gancang tibatan metode numerik standar pikeun janten perbandingan dasar. Urang ngalaksanakeun tinjauan sistematis ngeunaan literatur pembelajaran mesin dina ngarengsekeun persamaan diferensial parsial. Tina sadaya makalah anu ngalaporkeun panggunaan ML pikeun ngarengsekeun persamaan diferensial parsial cairan sareng ngaku kaunggulan tina metode numerik standar, kami ngaidentipikasi 79% (60/76) dibandingkeun sareng garis dasar anu lemah. Kadua, urang mendakan bukti bias ngalaporkeun nyebar, khususna dina ngalaporkeun hasil sareng bias publikasi. Urang nyimpulkeun yén panalungtikan mesin learning dina ngarengsekeun persamaan diferensial parsial téh overly optimistis: data input lemah bisa ngakibatkeun hasil overly positif, sarta bias ngalaporkeun bisa ngakibatkeun underreporting hasil négatip. Sabagéan ageung, masalah ieu sigana disababkeun ku faktor anu sami sareng krisis reproducibility kaliwat: kawijaksanaan investigator sareng bias hasil anu positif. Urang nelepon pikeun parobahan budaya handap-up pikeun ngaleutikan ngalaporkeun bias jeung reformasi struktural luhur-handap pikeun ngurangan insentif perverse pikeun ngalakukeunana.
Daptar pangarang jeung artikel dihasilkeun ku review sistematis, kitu ogé klasifikasi unggal artikel dina sampel acak, sadia pikeun publik dina https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Kodeu diperlukeun pikeun baranahan hasil dina Table 2 bisa kapanggih dina GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) sarta on Code Ocean: HTTPS://codeocean.com/capsule/9605539/Tree/ v1 (link 126) jeung https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., sarta Welser, K., The Irreproducibility Krisis dina Élmu Modern: Cukang lantaranana, Konsékuansi, sarta Jalur pikeun Reformasi (National Association of Élmuwan, 2018).
Ritchie, S. Fiksi Élmu: Kumaha Penipuan, Bias, Tiiseun, sareng Hype Ngarusak Milarian Kaleresan (Vintage, 2020).
Buka kolaborasi ilmiah. Assessing reproducibility dina elmu psikologi. Élmu 349, AAAC4716 (2015).
Prinz, F., Schlange, T., sarta Asadullah, K. Percaya atawa henteu: Sabaraha urang tiasa ngandelkeun data diterbitkeun dina target ubar poténsial? Nat. Rev. "Papanggihan Narkoba." 10, 712 (2011).
Begley, KG jeung Ellis, LM Raising standar dina panalungtikan kanker preclinical. Alam 483, 531-533 (2012).
A. Gelman jeung E. Loken, The Garden of Forking Paths: Naha Sababaraha Babandingan Masalah a Komo Tanpa "Ekspedisi Fishing" atawa "p-hacks" na Preformed Panalungtikan Hipotesis, vol. 348, 1–17 (Departemen Statistik, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., sarta Shi, D. Mesin diajar dina pilarian fisika fundamental anyar. Nat. Doktor Filsafat dina Fisika. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM, Ahsan MJ. Pembelajaran mesin dina penemuan ubar: ulasan. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS jeung Coote, ML Deep learning dina kimia. J. Kimia. ngabéjaan. Modél. 59, 2545–2559 (2019).
Rajkomar A., Dean J. sareng Kohan I. Mesin diajar di ubar. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. sareng Stewart BM Machine learning dina élmu sosial: pendekatan agnostik. Rev Ann Ball. elmu pangaweruh. 24, 395–419 (2021).
Luncat, J. et al. Jieun prediksi struktur protéin anu akurat pisan nganggo alphafold. Alam 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., sarta Gil, Y. Sumber irreproducibility dina mesin learning: A review. Preprint sayogi di https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. jeung Rahimi, A. Winner kutukan? Dina laju, kamajuan sareng kaku bukti empiris (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., sarta Zobel, J. Non-aditif ningkatna: hasil teangan awal saprak 1998. 18th ACM Konférénsi on Émbaran jeung Pangaweruh Manajemén 601-610 (ACM 2009).
Kapoor, S. na Narayanan, A. Leakage na reproducibility crises dina elmu mesin basis learning. Pola, 4, 100804 (2023).
Kapoor S. dkk. Reformasi: standar ngalaporkeun ilmiah dumasar kana mesin learning. Preprint sayogi di https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., sarta Recht, B. Babandingan hartina bisa ngakibatkeun optimism palsu dina learning mesin médis. PloS HIJI 12, e0184604 (2017).
Roberts, M., jeung sajabana. Jebakan umum sareng prakték pangsaéna pikeun ngagunakeun mesin diajar pikeun ngadeteksi sareng ngaduga COVID-19 tina sinar-x dada sareng tomografi komputasi. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. dkk. Model prediktif pikeun diagnosis sareng prognosis COVID-19: tinjauan sistematis sareng penilaian kritis. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS jeung Pollard KS Overcoming nu pitfalls ngagunakeun learning mesin di génomics. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. dkk. Prakték pangsaéna pikeun diajar mesin dina kimia. Nat. Kimia. 13, 505–508 (2021).
Brunton SL jeung Kutz JN arah ngajangjikeun pikeun mesin learning tina persamaan diferensial parsial. Nat. ngitung. elmu pangaweruh. 4, 483–494 (2024).
Vinuesa, R. jeung Brunton, SL Ngaronjatkeun dinamika cairan komputasi ngaliwatan learning mesin. Nat. ngitung. elmu pangaweruh. 2, 358–366 (2022).
Comeau, S. et al. Pembelajaran mesin ilmiah sareng jaringan saraf anu terang sacara fisik: Dimana kami ayeuna sareng naon anu salajengna. J. Élmu. ngitung. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., sarta Xiao, H. Turbulence modeling dina jaman data. Édisi révisi Ann. 51, 357–377 (2019).
Durran, DR Métode numeris pikeun ngarengsekeun persamaan gelombang dina hidrodinamika géofisika, vol. 32 (Springer, 2013).
Mishra, S. A kerangka learning machine pikeun accelerating data-disetir komputasi tina persamaan diferensial. matematika. insinyur. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. dkk. Pembelajaran mesin - akselerasi dinamika cairan komputasi. prosés. Akademi Élmu Nasional. elmu pangaweruh. AS 118, e2101784118 (2021).
Kadapa, K. Mesin diajar pikeun élmu komputer sareng rékayasa - bubuka ringkes sareng sababaraha masalah konci. Preprint sayogi di https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., sarta Zanna, L. analisis komparatif mesin learning sagara subgrid parameterization dina model idealized. J.Adv. Modél. sistem bumi. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., sarta Brandstetter, J. PDE Perbaikan: achieving extrusions lila akurat jeung neural PDE solver. Konperénsi ka-37 ngeunaan Sistem Pangolahan Émbaran Neural (NeurIPS 2023).
Frachas, PR et al. Algoritma backpropagation sareng itungan reservoir dina jaringan neural kumat pikeun ngaramal dinamika spatiotemporal kompléks. jaringan saraf. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. jeung Karniadakis, GE Fisika, elmu komputer, jaringan neural: a kerangka learning jero pikeun ngarengsekeun masalah hareup jeung tibalik ngalibetkeun nonlinier parsial diferensial persamaan. J. Komputer. fisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., sarta Schönlieb, K.-B. Naha jaringan saraf dumasar-fisika tiasa ngaleuwihan metode unsur terhingga? IMA J. Aplikasi. matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., sarta Gómez-Romero, J. Fisika basis jaringan neural pikeun modeling data-disetir: kaunggulan, watesan, sarta kasempetan. fisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Laporan empiris dina jaringan neural dumasar-fisika dina modeling cairan: pitfalls na disappointments. Preprint sayogi di https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. jeung Barba, LA watesan prediktif jaringan neural informed fisik dina formasi vortex. Preprint sayogi di https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., sarta Perdikaris, P. Iraha jeung naha pinns gagal pikeun ngalatih: Hiji sudut pandang inti tangent neural. J. Komputer. fisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., jeung Mahoney, MW Karakteristik mungkin modus gagalna dina jaringan neural informasi fisik. 35th Konférénsi on Neural Émbaran Processing Systems Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. jeung Senokak, I. Hiji studi kritis mode gagal dina jaringan neural dumasar-fisika. Dina AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. sarta Koumoutsakos P. Ngarengsekeun masalah tibalik fisik ku optimizing karugian diskrit: learning saum sareng akurat tanpa jaringan neural. prosés. Nasional Akademi Élmu. elmu pangaweruh. Nexus 3, pgae005 (2024).
Gundersen OE Prinsip dasar reproducibility. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E jeung Pearson A. ulasan sistimatis: tinjauan. Sumuhun. J. Kaperawatan 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, sarta Rohde, K. Konstrain-sadar jaringan neural pikeun masalah Riemann. J. Komputer. fisika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ na Adams NA Data-disetir fisik informed circuit volume terhingga pikeun non-klasik ngurangan tegangan guncangan. J. Komputer. fisika. 437, 110324 (2021).
waktos pos: Sep-29-2024