机器学习在计算物理中最有前途的应用之一是加速偏微分方程 (PDE) 的求解。基于机器学习的偏微分方程求解器的主要目标是比标准数值方法更快地输出足够准确的解，用作基线比较。我们首先对偏微分方程求解的机器学习文献进行系统回顾。在所有报告使用 ML 求解流体相关偏微分方程并声称优于标准数值方法的文章中，我们确定 79% (60/76) 与弱基线进行了比较。其次，我们发现有证据表明报告偏见普遍存在，尤其是结果报告和出版偏见。我们的结论是，偏微分方程求解的机器学习研究过于乐观：基线薄弱会导致过于积极的结果，而报告偏差会导致消极结果的报告不足。在很大程度上，这些问题似乎是由与过去的可重复性危机类似的因素引起的：研究人员的自由度和对积极结果的偏见。我们呼吁进行自下而上的文化变革，以尽量减少有偏见的报道，并呼吁进行自上而下的结构改革，以减少这样做的不当激励。
这是订阅内容的预览，可通过您的机构访问
访问 Nature 和其他 54 种 Nature Portfolio 期刊
获取 Nature+，我们最超值的在线访问订阅
24,99 / 30天
随时取消
订阅本期刊
接收 12 期数字期刊并在线访问文章
每年 111,21
每期仅需 9.27 美元
购买本文
价格可能需要缴纳结帐时计算的地方税
系统评价期间生成的作者和文章列表以及随机样本中每篇文章的分类可在 https://doi.org/10.17605/OSF.IO/GQ5B3 上公开获取（参考文献 1）。124)。
重现表 2 中结果所需的代码可在 GitHub 上找到：https://github.com/nickmcgreivy/WeakBaselinesMLPDE/（参考号 125）），以及 Code Ocean，网址为 https://codeocean.com/capsule/9605539/tree/v1（参考文献 126）和 https://codeocean.com/capsule/0799002/tree/v1（参考文献 127）。
兰德尔，D.