Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümü sınırlı CSS desteğine sahiptir. En iyi sonuçlar için tarayıcınızın daha yeni bir sürümünü kullanmanızı (veya Internet Explorer'da Uyumluluk Modu'nu devre dışı bırakmanızı) öneririz. Bu arada, sürekli desteği sağlamak için siteyi stil veya JavaScript olmadan gösteriyoruz.
Makine öğreniminin hesaplamalı fizikteki en umut verici uygulamalarından biri, kısmi diferansiyel denklemlerin (PDE'ler) hızlandırılmış çözümüdür. Makine öğrenimine dayalı bir kısmi diferansiyel denklem çözücünün temel amacı, standart sayısal yöntemlerden yeterince hızlı ve doğru çözümler üreterek temel karşılaştırma işlevi görmektir. İlk olarak, kısmi diferansiyel denklemlerin çözümüne ilişkin makine öğrenimi literatürünü sistematik bir şekilde inceledik. Akışkan kısmi diferansiyel denklemlerini çözmek için makine öğrenimi kullanımını bildiren ve standart sayısal yöntemlere göre üstünlük iddia eden tüm makaleler arasında, zayıf temellere kıyasla %79'unu (60/76) tespit ettik. İkinci olarak, özellikle sonuç raporlaması ve yayın önyargısında yaygın raporlama önyargısına dair kanıtlar bulduk. Kısmi diferansiyel denklemlerin çözümüne ilişkin makine öğrenimi araştırmalarının aşırı iyimser olduğu sonucuna vardık: zayıf girdi verileri aşırı olumlu sonuçlara yol açabilir ve raporlama önyargısı, olumsuz sonuçların eksik raporlanmasına neden olabilir. Bu sorunların büyük ölçüde geçmişteki yeniden üretilebilirlik krizlerine benzer faktörlerden kaynaklandığı görülmektedir: araştırmacı takdiri ve olumlu sonuç önyargısı. Taraflı haberciliği en aza indirmek için aşağıdan yukarıya doğru kültürel değişim ve bunu yapmaya yönelik ters teşvikleri azaltmak için yukarıdan aşağıya doğru yapısal reform çağrısında bulunuyoruz.
Sistematik incelemeyle oluşturulan yazar ve makalelerin listesi ve her makalenin rastgele örneklemdeki sınıflandırması https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124) adresinden kamuya açıktır.
Tablo 2'deki sonuçları yeniden üretmek için gereken kod GitHub'da bulunabilir: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (kaynak 125) ve Code Ocean'da bulunabilir: https://codeocean.com/capsule/9605539/Tree/ v1 (bağlantı 126) ve https://codeocean.com/capsule/0799002/tree/v1 (bağlantı 127).
Randall, D. ve Welser, K., Modern Bilimdeki Yeniden Üretilemezlik Krizi: Nedenleri, Sonuçları ve Reform Yolları (Ulusal Bilim İnsanları Derneği, 2018).
Ritchie, S. Bilimkurgu: Sahtecilik, Önyargı, Sessizlik ve Abartı Gerçeğin Arayışını Nasıl Baltalıyor (Vintage, 2020).
Açık bilimsel iş birliği. Psikolojik bilimde yeniden üretilebilirliğin değerlendirilmesi. Bilim 349, AAAC4716 (2015).
Prinz, F., Schlange, T. ve Asadullah, K. İnanın ya da inanmayın: Potansiyel ilaç hedeflerine ilişkin yayınlanmış verilere ne kadar güvenebiliriz? Nat. Rev. “İlaçların Keşfi.” 10, 712 (2011).
Begley, KG ve Ellis, LM Klinik öncesi kanser araştırmalarında standartların yükseltilmesi. Nature 483, 531–533 (2012).
A. Gelman ve E. Loken, Çatallanan Yollar Bahçesi: “Balık Avı Gezileri” veya “p-hack”ler ve Önceden Oluşturulmuş Araştırma Hipotezleri Olmadan Bile Çoklu Karşılaştırmaların Neden Bir Sorun Olduğu, cilt 348, 1–17 (İstatistik Bölümü, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. ve Shi, D. Yeni temel fizik arayışında makine öğrenimi. Nat. Fizik Doktorası. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ve Ahsan MJ. İlaç keşfinde makine öğrenimi: bir inceleme. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS ve Coote, ML Kimyada derin öğrenme. J.Chemistry. Notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. ve Kohan I. Tıpta makine öğrenimi. New England Tıp Dergisi. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. ve Stewart BM Sosyal bilimlerde makine öğrenimi: agnostik bir yaklaşım. Rev. Ann Ball. bilim. 24, 395–419 (2021).
Jump, J. ve diğerleri. Alfa katlama kullanarak son derece doğru protein yapısı tahminleri yapın. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. ve Gil, Y. Makine öğreniminde yeniden üretilemezliğin kaynakları: Bir inceleme. Ön baskı https://arxiv.org/abs/2204.07610 adresinde mevcuttur (2022).
Scully, D., Snook, J., Wiltschko, A. ve Rahimi, A. Kazananın laneti mi? Ampirik kanıtların hızı, ilerlemesi ve titizliği üzerine (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. ve Zobel, J. Katkısız geliştirmeler: 1998'den bu yana ön arama sonuçları. 18. ACM Bilgi ve Bilgi Yönetimi Konferansı 601–610 (ACM 2009).
Kapoor, S. ve Narayanan, A. Makine öğrenimine dayalı bilimde sızıntı ve yeniden üretilebilirlik krizleri. Desenler, 4, 100804 (2023).
Kapoor S. ve ark. Reform: Makine öğrenimine dayalı bilimsel raporlama standartları. Ön baskı https://arxiv.org/abs/2308.07832 (2023) adresinde mevcuttur.
DeMasi, O., Cording, C. ve Recht, B. Anlamsız karşılaştırmalar tıbbi makine öğreniminde yanlış iyimserliğe yol açabilir. PloS ONE 12, e0184604 (2017).
Roberts, M. ve diğerleri. Göğüs röntgenleri ve bilgisayarlı tomografiden COVID-19'u tespit etmek ve tahmin etmek için makine öğrenimini kullanmanın yaygın tuzakları ve en iyi uygulamaları. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. ve ark. COVID-19'un tanısı ve prognozu için öngörücü modeller: sistematik bir inceleme ve eleştirel değerlendirme. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS ve Pollard KS Genomikte makine öğrenimini kullanmanın tuzaklarının üstesinden gelmek. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. ve ark. Kimyada makine öğrenimi için en iyi uygulamalar. Nat. Chemical. 13, 505–508 (2021).
Brunton SL ve Kutz JN Kısmi diferansiyel denklemlerin makine öğrenimi için umut verici yönler. Nat. hesaplama. bilim. 4, 483–494 (2024).
Vinuesa, R. ve Brunton, SL Makine öğrenimi yoluyla hesaplamalı akışkanlar dinamiğini geliştirmek. Nat. hesaplama. bilim. 2, 358–366 (2022).
Comeau, S. ve diğerleri. Fiziksel olarak bilgilendirilmiş sinir ağlarıyla bilimsel makine öğrenimi: Şu anda neredeyiz ve sırada ne var? J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ve Xiao, H. Veri çağında türbülans modellemesi. Ann. 51, 357–377'nin (2019) gözden geçirilmiş baskısı.
Durran, DR Jeofizik hidrodinamikte dalga denklemlerinin çözümü için sayısal yöntemler, cilt 32 (Springer, 2013).
Mishra, S. Diferansiyel denklemlerin veri odaklı hesaplamasını hızlandırmak için bir makine öğrenme çerçevesi. matematik. mühendis. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. ve diğerleri. Makine öğrenimi – hesaplamalı akışkanlar dinamiğinin hızlandırılması. süreç. Ulusal Bilimler Akademisi. bilim. ABD 118, e2101784118 (2021).
Kadapa, K. Bilgisayar bilimi ve mühendisliği için makine öğrenimi – kısa bir giriş ve bazı temel konular. Ön baskı https://arxiv.org/abs/2112.12054 (2021) adresinde mevcuttur.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. ve Zanna, L. İdealize edilmiş modellerde makine öğrenimi okyanus alt ızgara parametrelendirmesinin karşılaştırmalı analizi. J.Adv. Model. dünya sistemi. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. ve Brandstetter, J. PDE iyileştirme: Sinirsel bir PDE çözücüsü ile doğru uzun ekstrüzyonlara ulaşma. 37. Sinirsel Bilgi İşleme Sistemleri Konferansı (NeurIPS 2023).
Frachas, PR ve diğerleri. Karmaşık uzaysal-zamansal dinamikleri tahmin etmek için tekrarlayan sinir ağlarında geri yayılım algoritması ve rezervuar hesaplaması. sinir ağı. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ve Karniadakis, GE Fizik, bilgisayar bilimi, sinir ağları: doğrusal olmayan kısmi diferansiyel denklemleri içeren ileri ve ters problemleri çözmek için derin öğrenme çerçevesi. J. Bilgisayar. fizik. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. ve Schönlieb, K.-B. Fizik tabanlı sinir ağları sonlu elemanlar yöntemlerinden daha iyi performans gösterebilir mi? IMA J. Uygulamalar. matematik. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. ve Gómez-Romero, J. Veri odaklı modelleme için fizik tabanlı sinir ağları: avantajları, sınırlamaları ve fırsatları. fizik. A 610, 128415 (2023).
Zhuang, P.-Y. ve Barba, LA. Akışkan modellemede fizik tabanlı sinir ağları üzerine deneysel bir rapor: tuzaklar ve hayal kırıklıkları. Ön baskı https://arxiv.org/abs/2205.14249 adresinde mevcuttur (2022).
Zhuang, P.-Y. ve Barba, LA. Fiziksel olarak bilgilendirilmiş sinir ağlarının girdap oluşumu üzerindeki tahmini sınırlamaları. Ön baskı https://arxiv.org/abs/2306.00230 (2023) adresinde mevcuttur.
Wang, S., Yu, H. ve Perdikaris, P. Pinnler ne zaman ve neden eğitimde başarısız olur: Bir sinirsel teğet çekirdek perspektifi. J. Bilgisayar. fizik. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. ve Mahoney, MW Fiziksel bilgi sinir ağlarında olası hata modlarının özellikleri. 35. Sinir Bilgi İşleme Sistemleri Konferansı Cilt 34, 26548–26560 (NeurIPS 2021).
Basir, S. ve Senokak, I. Fizik tabanlı sinir ağlarında hata modlarının eleştirel bir çalışması. AiAA SCITECH 2022 Forum 2353'te (ARK, 2022).
Karnakov P., Litvinov S. ve Koumoutsakos P. Ayrık kayıpları optimize ederek fiziksel ters problemleri çözme: Sinir ağları olmadan hızlı ve doğru öğrenme. süreç. Ulusal Bilimler Akademisi. bilim. Nexus 3, pgae005 (2024).
Gundersen OE Yeniden üretilebilirliğin temel ilkeleri. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ve Pearson A. Sistematik incelemeler: genel bir bakış. Evet. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS ve Rohde, K. Riemann problemi için kısıtlama farkında sinir ağları. J. Bilgisayar. fizik. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ve Adams NA Klasik olmayan düşük voltajlı şoklar için veri odaklı fiziksel olarak bilgilendirilmiş sonlu hacim devresi. Bilgisayar. fizik. 437, 110324 (2021).
Gönderim zamanı: 29-Eyl-2024