Cảm ơn bạn đã ghé thăm Nature.com. Phiên bản trình duyệt bạn đang sử dụng có hỗ trợ CSS hạn chế. Để có kết quả tốt nhất, chúng tôi khuyên bạn nên sử dụng phiên bản trình duyệt mới hơn (hoặc tắt Chế độ Tương thích trong Internet Explorer). Trong thời gian chờ đợi, để đảm bảo hỗ trợ liên tục, chúng tôi sẽ hiển thị trang web mà không có kiểu dáng hoặc JavaScript.
Một trong những ứng dụng hứa hẹn nhất của học máy trong vật lý tính toán là giải phương trình vi phân từng phần (PDE) tăng tốc. Mục tiêu chính của một bộ giải phương trình vi phân từng phần dựa trên học máy là tạo ra các nghiệm có độ chính xác đủ nhanh so với các phương pháp số tiêu chuẩn để làm cơ sở so sánh. Trước tiên, chúng tôi tiến hành tổng quan hệ thống các tài liệu học máy về giải phương trình vi phân từng phần. Trong số tất cả các bài báo báo cáo về việc sử dụng học máy để giải phương trình vi phân từng phần lưu chất và khẳng định tính ưu việt so với các phương pháp số tiêu chuẩn, chúng tôi đã xác định được 79% (60/76) so với các cơ sở yếu. Thứ hai, chúng tôi tìm thấy bằng chứng về sai lệch báo cáo phổ biến, đặc biệt là trong báo cáo kết quả và sai lệch công bố. Chúng tôi kết luận rằng nghiên cứu học máy về giải phương trình vi phân từng phần là quá lạc quan: dữ liệu đầu vào yếu có thể dẫn đến kết quả quá tích cực, và sai lệch báo cáo có thể dẫn đến việc báo cáo thiếu kết quả tiêu cực. Phần lớn, những vấn đề này dường như là do các yếu tố tương tự như các cuộc khủng hoảng khả năng tái tạo trong quá khứ: sự thận trọng của nhà nghiên cứu và sai lệch kết quả tích cực. Chúng tôi kêu gọi thay đổi văn hóa từ dưới lên để giảm thiểu báo cáo thiên vị và cải cách cấu trúc từ trên xuống để giảm thiểu các động cơ lệch lạc.
Danh sách các tác giả và bài viết được tạo ra bởi quá trình đánh giá có hệ thống, cũng như phân loại của từng bài viết trong mẫu ngẫu nhiên, có sẵn công khai tại https://doi.org/10.17605/OSF.IO/GQ5B3 (tham khảo 124).
Mã cần thiết để tái tạo kết quả trong Bảng 2 có thể được tìm thấy trên GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (tham chiếu 125) và trên Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (liên kết 126) và https://codeocean.com/capsule/0799002/tree/v1 (liên kết 127).
Randall, D., và Welser, K., Khủng hoảng không thể tái tạo trong khoa học hiện đại: Nguyên nhân, hậu quả và con đường cải cách (Hiệp hội các nhà khoa học quốc gia, 2018).
Ritchie, S. Khoa học viễn tưởng: Gian lận, thiên vị, im lặng và thổi phồng làm suy yếu việc tìm kiếm sự thật (Vintage, 2020).
Hợp tác khoa học mở. Đánh giá khả năng tái tạo trong khoa học tâm lý. Khoa học 349, AAAC4716 (2015).
Prinz, F., Schlange, T., và Asadullah, K. Tin hay không tùy bạn: Chúng ta có thể tin cậy đến mức nào vào dữ liệu đã công bố về các mục tiêu thuốc tiềm năng? Nat. Rev. “The Discovery of Drugs.” 10, 712 (2011).
Begley, KG và Ellis, LM Nâng cao tiêu chuẩn trong nghiên cứu ung thư tiền lâm sàng. Nature 483, 531–533 (2012).
A. Gelman và E. Loken, Khu vườn của những con đường rẽ nhánh: Tại sao việc so sánh nhiều lần lại là vấn đề ngay cả khi không có “Chuyến thám hiểm câu cá” hoặc “p-hack” và Giả thuyết nghiên cứu đã hình thành trước, tập 348, 1–17 (Khoa Thống kê, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., và Shi, D. Học máy trong hành trình tìm kiếm vật lý cơ bản mới. Tiến sĩ Triết học Quốc gia về Vật lý. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM và Ahsan MJ. Học máy trong khám phá thuốc: Tổng quan. Atif. Intel. Biên tập 55, 1947–1999 (2022).
Mather, AS và Coote, ML Học sâu trong hóa học. J.Hóa học. Thông báo. Mô hình. 59, 2545–2559 (2019).
Rajkomar A., Dean J. và Kohan I. Học máy trong y học. Tạp chí Y học New England. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. và Stewart BM Học máy trong khoa học xã hội: một cách tiếp cận bất khả tri. Mục sư Ann Ball. Khoa học. 24, 395–419 (2021).
Jump, J. và cộng sự. Đưa ra dự đoán cấu trúc protein có độ chính xác cao bằng alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., và Gil, Y. Nguồn gốc của sự không thể tái tạo trong học máy: Một bài tổng quan. Bản in trước có sẵn tại https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., và Rahimi, A. Lời nguyền của người chiến thắng? Về tốc độ, tiến độ và tính nghiêm ngặt của bằng chứng thực nghiệm (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. và Zobel, J. Các cải tiến không bổ sung: kết quả tìm kiếm sơ bộ từ năm 1998. Hội nghị ACM lần thứ 18 về Quản lý thông tin và kiến thức 601–610 (ACM 2009).
Kapoor, S. và Narayanan, A. Rò rỉ và khủng hoảng khả năng tái tạo trong khoa học dựa trên học máy. Patterns, 4, 100804 (2023).
Kapoor S. và cộng sự. Cải cách: Tiêu chuẩn báo cáo khoa học dựa trên học máy. Bản in trước có sẵn tại https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., và Recht, B. So sánh vô nghĩa có thể dẫn đến lạc quan sai lầm trong học máy y tế. PloS ONE 12, e0184604 (2017).
Roberts, M., và cộng sự. Những cạm bẫy phổ biến và phương pháp hay nhất khi sử dụng máy học để phát hiện và dự đoán COVID-19 từ hình ảnh chụp X-quang ngực và chụp cắt lớp vi tính. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. và cộng sự. Các mô hình dự đoán chẩn đoán và tiên lượng COVID-19: tổng quan hệ thống và đánh giá quan trọng. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS và Pollard KS: Khắc phục những cạm bẫy khi sử dụng máy học trong nghiên cứu hệ gen. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. và cộng sự. Các phương pháp hay nhất cho học máy trong hóa học. Nat. Chemical. 13, 505–508 (2021).
Brunton SL và Kutz JN: Hướng đi đầy hứa hẹn cho việc học máy các phương trình vi phân riêng phần. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. và Brunton, SL. Cải thiện động lực học chất lỏng tính toán thông qua học máy. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Học máy khoa học với mạng nơ-ron được thông tin vật lý: Chúng ta đang ở đâu và điều gì sẽ xảy ra tiếp theo. J. Science. tính toán. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., và Xiao, H. Mô hình hóa nhiễu loạn trong kỷ nguyên dữ liệu. Phiên bản sửa đổi của Ann. 51, 357–377 (2019).
Durran, DR Phương pháp số để giải phương trình sóng trong thủy động lực học địa vật lý, tập 32 (Springer, 2013).
Mishra, S. Một khuôn khổ học máy để tăng tốc tính toán dựa trên dữ liệu của các phương trình vi phân. toán học. kỹ sư. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. và cộng sự. Học máy – tăng tốc động lực học chất lưu tính toán. Quy trình. Viện Hàn lâm Khoa học Quốc gia. Khoa học. US 118, e2101784118 (2021).
Kadapa, K. Học máy cho khoa học máy tính và kỹ thuật – Giới thiệu tóm tắt và một số vấn đề chính. Bản in trước có sẵn tại https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. và Zanna, L. Phân tích so sánh tham số hóa lưới con đại dương bằng máy học trong các mô hình lý tưởng. J.Adv. Mô hình. hệ thống Trái Đất. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. và Brandstetter, J. Tinh chỉnh PDE: đạt được độ đùn dài chính xác bằng bộ giải PDE thần kinh. Hội nghị lần thứ 37 về Hệ thống xử lý thông tin thần kinh (NeurIPS 2023).
Frachas, PR và cộng sự. Thuật toán lan truyền ngược và tính toán hồ chứa trong mạng nơ-ron hồi quy để dự đoán động lực không gian thời gian phức tạp. mạng nơ-ron. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. và Karniadakis, GE Vật lý, khoa học máy tính, mạng nơ-ron: một khuôn khổ học sâu để giải các bài toán thuận và nghịch liên quan đến phương trình vi phân riêng phần phi tuyến tính. J. Máy tính. Vật lý. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., và Schönlieb, K.-B. Mạng nơ-ron dựa trên vật lý có thể vượt trội hơn phương pháp phần tử hữu hạn không? IMA J. Ứng dụng. toán học. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., và Gómez-Romero, J. Mạng nơ-ron dựa trên vật lý cho mô hình hóa dựa trên dữ liệu: ưu điểm, hạn chế và cơ hội. vật lý. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA: Báo cáo thực nghiệm về mạng nơ-ron dựa trên vật lý trong mô hình hóa chất lỏng: những cạm bẫy và thất vọng. Bản in trước có sẵn tại https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. và Barba, LA: Giới hạn dự đoán của mạng nơ-ron nhân tạo vật lý đối với sự hình thành xoáy. Bản in trước có sẵn tại https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. và Perdikaris, P. Khi nào và tại sao pinns không thể đào tạo: Quan điểm về nhân tiếp tuyến thần kinh. J. Máy tính. Vật lý. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. và Mahoney, MW Đặc điểm của các chế độ lỗi có thể xảy ra trong mạng nơ-ron thông tin vật lý. Hội nghị lần thứ 35 về Hệ thống xử lý thông tin nơ-ron, Tập 34, 26548–26560 (NeurIPS 2021).
Basir, S. và Senokak, I. Một nghiên cứu quan trọng về các chế độ lỗi trong mạng nơ-ron dựa trên vật lý. Trong Diễn đàn AiAA SCITECH 2022, số 2353 (ARK, 2022).
Karnakov P., Litvinov S. và Koumoutsakos P. Giải quyết các bài toán nghịch đảo vật lý bằng cách tối ưu hóa tổn thất rời rạc: học nhanh và chính xác mà không cần mạng nơ-ron. quy trình. Viện Hàn lâm Khoa học Quốc gia. khoa học. Nexus 3, trang 005 (2024).
Gundersen OE Các nguyên tắc cơ bản về khả năng tái tạo. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E và Pearson A. Tổng quan hệ thống: Tổng quan. Có. J. Điều dưỡng 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS và Rohde, K. Mạng nơ-ron nhận biết ràng buộc cho bài toán Riemann. J. Máy tính. Vật lý. 409, 109345 (2020).
Bezgin DA, Schmidt SJ và Adams NA Mạch thể tích hữu hạn được cung cấp thông tin vật lý dựa trên dữ liệu cho các cú sốc điện áp giảm không cổ điển. J. Máy tính. Vật lý. 437, 110324 (2021).
Thời gian đăng: 29-09-2024