Tack för att du besöker Nature.com. Den webbläsarversion du använder har begränsat CSS-stöd. För bästa resultat rekommenderar vi att du använder en nyare version av din webbläsare (eller inaktiverar kompatibilitetsläge i Internet Explorer). Under tiden, för att säkerställa fortsatt support, visar vi webbplatsen utan styling eller JavaScript.
En av de mest lovande tillämpningarna av maskininlärning inom beräkningsfysik är den accelererade lösningen av partiella differentialekvationer (PDE). Huvudmålet med en maskininlärningsbaserad partiell differentialekvationslösare är att producera lösningar som är tillräckligt exakta snabbare än standardnumeriska metoder för att fungera som en baslinjejämförelse. Vi genomför först en systematisk granskning av maskininlärningslitteraturen om lösning av partiella differentialekvationer. Av alla artiklar som rapporterar användningen av maskininlärning för att lösa flytande partiella differentialekvationer och hävdar överlägsenhet jämfört med standardnumeriska metoder, identifierade vi 79 % (60/76) jämfört med svaga baslinjer. För det andra fann vi bevis på utbredd rapporteringsbias, särskilt i resultatrapportering och publikationsbias. Vi drar slutsatsen att maskininlärningsforskning om lösning av partiella differentialekvationer är alltför optimistisk: svag indata kan leda till alltför positiva resultat, och rapporteringsbias kan leda till underrapportering av negativa resultat. Till stor del verkar dessa problem orsakas av faktorer som liknar tidigare reproducerbarhetskriser: forskares diskretion och positiv resultatbias. Vi efterlyser en kulturell förändring nerifrån och upp för att minimera partisk rapportering och strukturell reform uppifrån och ner för att minska perversa incitament att göra det.
Listan över författare och artiklar som genererats av den systematiska granskningen, liksom klassificeringen av varje artikel i det slumpmässiga urvalet, finns offentligt tillgänglig på https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Koden som behövs för att återge resultaten i tabell 2 finns på GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) och på Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (länk 126) och https://codeocean.com/capsule/0799002/tree/v1 (länk 127).
Randall, D., och Welser, K., Irreproducerbarhetskrisen inom modern vetenskap: Orsaker, konsekvenser och vägar för reform (National Association of Scientists, 2018).
Ritchie, S. Science fiction: Hur bedrägeri, partiskhet, tystnad och hajp undergräver sökandet efter sanning (Vintage, 2020).
Öppet vetenskapligt samarbete. Bedömning av reproducerbarhet inom psykologisk vetenskap. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., och Asadullah, K. Tro det eller ej: Hur mycket kan vi lita på publicerade data om potentiella läkemedelsmål? Nat. Rev. “Upptäckten av läkemedel.” 10, 712 (2011).
Begley, KG och Ellis, LM Höjer standarderna inom preklinisk cancerforskning. Nature 483, 531–533 (2012).
A. Gelman och E. Loken, The Garden of Forking Paths: Why Multiple Comparisons are a Problem Even Without “Fishing Expeditions” eller “p-hacks” och Preformed Research Hypotheses, vol. 348, 1–17 (Statistikinstitutionen, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., och Shi, D. Maskininlärning i sökandet efter ny grundläggande fysik. Nat. Doktor i filosofi i fysik. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM och Ahsan MJ. Maskininlärning inom läkemedelsutveckling: en översikt. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS och Coote, ML Djupinlärning i kemi. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. och Kohan I. Maskininlärning inom medicin. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME och Stewart BM Maskininlärning inom samhällsvetenskap: ett agnostiskt tillvägagångssätt. Rev. Ann Ball. Science. 24, 395–419 (2021).
Jump, J. et al. Gör mycket noggranna proteinstrukturförutsägelser med hjälp av alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., och Gil, Y. Källor till oåtergivlighet inom maskininlärning: En översikt. Förtryck tillgängligt på https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., och Rahimi, A. Vinnarens förbannelse? Om empiriska bevisens hastighet, framsteg och noggrannhet (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., och Zobel, J. Icke-additiva förbättringar: preliminära sökresultat sedan 1998. 18:e ACM-konferensen om informations- och kunskapshantering 601–610 (ACM 2009).
Kapoor, S. och Narayanan, A. Läckage- och reproducerbarhetskriser inom maskininlärningsbaserad vetenskap. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reform: vetenskapliga rapporteringsstandarder baserade på maskininlärning. Förhandsutgåva tillgänglig på https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., och Recht, B. Meningslösa jämförelser kan leda till falsk optimism inom medicinsk maskininlärning. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Vanliga fallgropar och bästa praxis för att använda maskininlärning för att upptäcka och förutsäga COVID-19 från lungröntgen och datortomografi. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Prediktiva modeller för diagnos och prognos av COVID-19: en systematisk granskning och kritisk bedömning. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS och Pollard KS Att övervinna fallgroparna med att använda maskininlärning inom genomik. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Bästa praxis för maskininlärning inom kemi. Nat. Chemical. 13, 505–508 (2021).
Brunton SL och Kutz JN Lovande riktningar för maskininlärning av partiella differentialekvationer. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. och Brunton, SL Förbättring av beräkningsmässig fluiddynamik genom maskininlärning. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Vetenskaplig maskininlärning med fysiskt informerade neurala nätverk: Var vi är nu och vad händer härnäst. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., och Xiao, H. Turbulensmodellering i dataeran. Reviderad utgåva av Ann. 51, 357–377 (2019).
Durran, DR Numeriska metoder för att lösa vågekvationer inom geofysisk hydrodynamik, vol. 32 (Springer, 2013).
Mishra, S. Ett ramverk för maskininlärning för att accelerera datadriven beräkning av differentialekvationer. matematik. ingenjör. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Maskininlärning – acceleration av beräkningsmässig fluiddynamik. processer. National Academy of Sciences. vetenskap. US 118, e2101784118 (2021).
Kadapa, K. Maskininlärning för datavetenskap och teknik – en kort introduktion och några viktiga frågor. Förtryck tillgängligt på https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., och Zanna, L. Jämförande analys av maskininlärning av parametrisering av havsdelnät i idealiserade modeller. J.Adv. Model. Earth System. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., och Brandstetter, J. PDE-förfining: uppnå noggranna långa extruderingar med en neural PDE-lösare. 37:e konferensen om neurala informationsbehandlingssystem (NeurIPS 2023).
Frachas, PR et al. Backpropagation-algoritm och reservoarberäkning i återkommande neurala nätverk för att förutsäga komplex spatiotemporal dynamik. neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. och Karniadakis, GE Fysik, datavetenskap, neurala nätverk: ett djupinlärningsramverk för att lösa framåtriktade och inversa problem som involverar ickelinjära partiella differentialekvationer. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., och Schönlieb, K.-B. Kan fysikbaserade neurala nätverk överträffa finita elementmetoder? IMA J. Tillämpningar. matematik. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., och Gómez-Romero, J. Fysikbaserade neurala nätverk för datadriven modellering: fördelar, begränsningar och möjligheter. fysik. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA En empirisk rapport om fysikbaserade neurala nätverk i fluidmodellering: fallgropar och besvikelser. Förtryck tillgängligt på https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. och Barba, LA Prediktiva begränsningar av fysiskt informerade neurala nätverk för virvelbildning. Förtryck tillgängligt på https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., och Perdikaris, P. När och varför pinnar misslyckas med att träna: Ett neuralt tangentkärneperspektiv. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., och Mahoney, MW Kännetecken för möjliga fellägen i fysiska informationsneurala nätverk. 35:e konferensen om neurala informationsbehandlingssystem vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. och Senokak, I. En kritisk studie av fellägen i fysikbaserade neurala nätverk. I AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. och Koumoutsakos P. Lösning av fysikaliska inversa problem genom att optimera diskreta förluster: snabb och noggrann inlärning utan neurala nätverk. process. National Academy of Sciences. vetenskap. Nexus 3, pgae005 (2024).
Gundersen OE Grundläggande principer för reproducerbarhet. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E och Pearson A. Systematiska översikter: en översikt. Ja. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, och Rohde, K. Begränsningsmedvetna neurala nätverk för Riemann-problemet. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ och Adams NA Datadriven fysikaliskt informerad ändlig volymkrets för icke-klassiska reducerade spänningschocker. J. Computer. physics. 437, 110324 (2021).
Publiceringstid: 29 sep-2024