Salamat sa pagbisita sa Nature.com. Ang bersyon ng browser na iyong ginagamit ay may limitadong suporta sa CSS. Para sa pinakamahusay na mga resulta, inirerekomenda namin na gumamit ka ng mas bagong bersyon ng iyong browser (o huwag paganahin ang Compatibility Mode sa Internet Explorer). Pansamantala, upang matiyak ang patuloy na suporta, ipinapakita namin ang site nang walang pag-istilo o JavaScript.
Isa sa mga pinaka-promising na application ng machine learning sa computational physics ay ang pinabilis na solusyon ng partial differential equation (PDEs). Ang pangunahing layunin ng isang machine learning-based na partial differential equation solver ay upang makagawa ng mga solusyon na sapat na tumpak nang mas mabilis kaysa sa mga karaniwang pamamaraan ng numero upang magsilbing baseline na paghahambing. Nagsasagawa muna kami ng isang sistematikong pagsusuri ng literatura ng machine learning sa paglutas ng mga partial differential equation. Sa lahat ng mga papel na nag-uulat ng paggamit ng ML upang malutas ang mga fluid partial differential equation at pag-claim ng higit na kahusayan sa mga karaniwang pamamaraan ng numero, natukoy namin ang 79% (60/76) kumpara sa mga mahihinang baseline. Pangalawa, nakakita kami ng ebidensya ng malawakang pagkiling sa pag-uulat, lalo na sa pag-uulat ng kinalabasan at pagkiling sa publikasyon. Napagpasyahan namin na ang pagsasaliksik sa machine learning sa paglutas ng mga partial differential equation ay labis na optimistiko: ang mahinang data ng input ay maaaring humantong sa labis na positibong mga resulta, at ang pag-uulat ng bias ay maaaring humantong sa hindi pag-uulat ng mga negatibong resulta. Sa malaking bahagi, lumilitaw na ang mga problemang ito ay sanhi ng mga salik na katulad ng mga nakaraang krisis sa muling paggawa: pagpapasya ng imbestigador at positibong bias sa resulta. Nananawagan kami para sa bottom-up na pagbabago sa kultura upang mabawasan ang biased na pag-uulat at top-down na reporma sa istruktura upang mabawasan ang masasamang insentibo na gawin ito.
Ang listahan ng mga may-akda at artikulo na nabuo ng sistematikong pagsusuri, pati na rin ang pag-uuri ng bawat artikulo sa random na sample, ay available sa publiko sa https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Ang code na kailangan para kopyahin ang mga resulta sa Talahanayan 2 ay makikita sa GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) at sa Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) at https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., at Welser, K., The Irreproducibility Crisis in Modern Science: Sanhi, Bunga, at Landas para sa Reporma (National Association of Scientists, 2018).
Ritchie, S. Science Fiction: Paano Pinapahina ng Panloloko, Pagkiling, Katahimikan, at Hype ang Paghahanap ng Katotohanan (Vintage, 2020).
Buksan ang pang-agham na pakikipagtulungan. Pagtatasa ng reproducibility sa sikolohikal na agham. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., at Asadullah, K. Maniwala ka man o hindi: Gaano tayo makakaasa sa nai-publish na data sa mga potensyal na target ng droga? Nat. Rev. "Ang Pagtuklas ng mga Droga." 10, 712 (2011).
Begley, KG at Ellis, LM Pagtaas ng mga pamantayan sa preclinical cancer research. Kalikasan 483, 531–533 (2012).
A. Gelman at E. Loken, The Garden of Forking Paths: Why Multiple Comparisons are a Problem even without “Fishing Expeditions” or “p-hacks” and Preformed Research Hypotheses, vol. 348, 1–17 (Department of Statistics, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., at Shi, D. Machine learning sa paghahanap ng bagong pangunahing pisika. Nat. Doktor ng Pilosopiya sa Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM at Ahsan MJ. Pag-aaral ng makina sa pagtuklas ng droga: isang pagsusuri. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS at Coote, ML Malalim na pag-aaral sa kimika. J.Chemistry. ipaalam. Modelo. 59, 2545–2559 (2019).
Rajkomar A., Dean J. at Kohan I. Machine learning sa medisina. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. at Stewart BM Machine learning sa mga social science: isang agnostic na diskarte. Rev. Ann Ball. agham. 24, 395–419 (2021).
Tumalon, J. et al. Gumawa ng lubos na tumpak na mga hula sa istraktura ng protina gamit ang alphafold. Kalikasan 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., at Gil, Y. Mga mapagkukunan ng irreproducibility sa machine learning: Isang pagsusuri. Available ang preprint sa https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., at Rahimi, A. Ang sumpa ng nanalo? Sa bilis, pag-unlad at higpit ng empirical na ebidensya (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., at Zobel, J. Non-additive enhancements: paunang resulta ng paghahanap mula noong 1998. 18th ACM Conference on Information and Knowledge Management 601–610 (ACM 2009).
Kapoor, S. at Narayanan, A. Mga krisis sa pagtagas at muling paggawa sa agham na nakabatay sa machine learning. Pattern, 4, 100804 (2023).
Kapoor S. et al. Reporma: mga pamantayan sa pag-uulat ng siyentipiko batay sa machine learning. Available ang preprint sa https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., at Recht, B. Ang mga walang kabuluhang paghahambing ay maaaring humantong sa maling optimismo sa pag-aaral ng medikal na makina. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Mga karaniwang pitfall at pinakamahuhusay na kagawian para sa paggamit ng machine learning para matukoy at mahulaan ang COVID-19 mula sa chest x-ray at computed tomography. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Mga predictive na modelo para sa diagnosis at prognosis ng COVID-19: isang sistematikong pagsusuri at kritikal na pagtatasa. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS at Pollard KS Pagtagumpayan ang mga pitfalls ng paggamit ng machine learning sa genomics. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Pinakamahuhusay na kagawian para sa machine learning sa chemistry. Nat. Kemikal. 13, 505–508 (2021).
Brunton SL at Kutz JN Nangangako ng mga direksyon para sa machine learning ng mga partial differential equation. Nat. kalkulahin. agham. 4, 483–494 (2024).
Vinuesa, R. at Brunton, SL Pagpapabuti ng computational fluid dynamics sa pamamagitan ng machine learning. Nat. kalkulahin. agham. 2, 358–366 (2022).
Comeau, S. et al. Scientific machine learning na may physically informed neural networks: Nasaan na tayo ngayon at kung ano ang susunod. J. Agham. kalkulahin. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., at Xiao, H. Turbulence modelling sa panahon ng data. Binagong edisyon ng Ann. 51, 357–377 (2019).
Durran, DR Numerical na pamamaraan para sa paglutas ng mga equation ng wave sa geophysical hydrodynamics, vol. 32 (Springer, 2013).
Mishra, S. Isang machine learning framework para sa pagpapabilis ng data-driven na computation ng mga differential equation. matematika. inhinyero. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Machine learning – pagpapabilis ng computational fluid dynamics. proseso. National Academy of Sciences. agham. US 118, e2101784118 (2021).
Kadapa, K. Machine learning para sa computer science at engineering – isang maikling panimula at ilang mahahalagang isyu. Available ang preprint sa https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., at Zanna, L. Comparative analysis ng machine learning ocean subgrid parameterization sa mga idealized na modelo. J.Adv. Modelo. sistema ng lupa. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., at Brandstetter, J. PDE refinement: pagkamit ng tumpak na mahabang extrusions na may neural PDE solver. Ika-37 na Kumperensya sa Neural Information Processing System (NeurIPS 2023).
Frachas, PR et al. Backpropagation algorithm at pagkalkula ng reservoir sa paulit-ulit na neural network para sa paghula ng kumplikadong spatiotemporal dynamics. neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. at Karniadakis, GE Physics, computer science, mga neural network: isang malalim na balangkas ng pag-aaral para sa paglutas ng mga pasulong at kabaligtaran na mga problema na kinasasangkutan ng mga nonlinear na partial differential equation. J. Kompyuter. pisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., at Schönlieb, K.-B. Maaari bang malampasan ng mga neural network na nakabatay sa pisika ang mga pamamaraan ng may hangganang elemento? IMA J. Mga Aplikasyon. matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., at Gómez-Romero, J. Physics-based na mga neural network para sa data-driven na pagmomodelo: mga pakinabang, limitasyon, at pagkakataon. pisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Isang empirical na ulat sa mga neural network na nakabatay sa pisika sa fluid modeling: mga pitfalls at pagkabigo. Available ang preprint sa https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. at Barba, LA Mga mahuhulaang limitasyon ng mga pisikal na kaalamang neural network sa pagbuo ng vortex. Available ang preprint sa https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., at Perdikaris, P. Kailan at bakit hindi nasanay ang mga pinn: Isang neural tangent nucleus perspective. J. Kompyuter. pisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., at Mahoney, MW Mga katangian ng posibleng mga mode ng pagkabigo sa mga pisikal na impormasyon na neural network. Ika-35 Kumperensya sa Neural Information Processing Systems Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. at Senokak, I. Isang kritikal na pag-aaral ng mga mode ng pagkabigo sa mga neural network na nakabatay sa pisika. Sa AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. at Koumoutsakos P. Paglutas ng mga pisikal na kabaligtaran na problema sa pamamagitan ng pag-optimize ng mga discrete loss: mabilis at tumpak na pag-aaral nang walang neural network. proseso. National Academy of Sciences. agham. Nexus 3, pgae005 (2024).
Gundersen OE Mga pangunahing prinsipyo ng muling paggawa. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E at Pearson A. Mga sistematikong pagsusuri: isang pangkalahatang-ideya. Oo. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, at Rohde, K. Constraint-aware na neural network para sa problemang Riemann. J. Kompyuter. pisika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ at Adams NA Data-driven physically informed finite volume circuit para sa non-classical reduced voltage shocks. J. Kompyuter. pisika. 437, 110324 (2021).
Oras ng post: Set-29-2024