দুর্বল বেসলাইন এবং রিপোর্টিং পক্ষপাত তরল-সম্পর্কিত আংশিক ডিফারেনশিয়াল সমীকরণের মেশিন লার্নিংয়ে অতিরিক্ত আশাবাদের দিকে পরিচালিত করে।

Nature.com দেখার জন্য আপনাকে ধন্যবাদ। আপনি যে ব্রাউজারটি ব্যবহার করছেন তার সংস্করণে সীমিত CSS সাপোর্ট রয়েছে। সেরা ফলাফলের জন্য, আমরা আপনাকে আপনার ব্রাউজারের একটি নতুন সংস্করণ ব্যবহার করার পরামর্শ দিচ্ছি (অথবা ইন্টারনেট এক্সপ্লোরারে সামঞ্জস্যতা মোড অক্ষম করুন)। ইতিমধ্যে, চলমান সহায়তা নিশ্চিত করার জন্য, আমরা স্টাইলিং বা জাভাস্ক্রিপ্ট ছাড়াই সাইটটি দেখাচ্ছি।
কম্পিউটেশনাল ফিজিক্সে মেশিন লার্নিংয়ের সবচেয়ে আশাব্যঞ্জক প্রয়োগগুলির মধ্যে একটি হল আংশিক ডিফারেনশিয়াল সমীকরণ (PDEs) এর ত্বরিত সমাধান। একটি মেশিন লার্নিং-ভিত্তিক আংশিক ডিফারেনশিয়াল সমীকরণ সমাধানকারীর মূল লক্ষ্য হল এমন সমাধান তৈরি করা যা স্ট্যান্ডার্ড সাংখ্যিক পদ্ধতির চেয়ে দ্রুত সঠিক এবং বেসলাইন তুলনা হিসেবে কাজ করবে। আমরা প্রথমে আংশিক ডিফারেনশিয়াল সমীকরণ সমাধানের উপর মেশিন লার্নিং সাহিত্যের একটি পদ্ধতিগত পর্যালোচনা পরিচালনা করি। তরল আংশিক ডিফারেনশিয়াল সমীকরণ সমাধানের জন্য ML ব্যবহারের প্রতিবেদনকারী এবং স্ট্যান্ডার্ড সাংখ্যিক পদ্ধতির চেয়ে শ্রেষ্ঠত্ব দাবিকারী সমস্ত গবেষণাপত্রের মধ্যে, আমরা দুর্বল বেসলাইনের তুলনায় 79% (60/76) চিহ্নিত করেছি। দ্বিতীয়ত, আমরা ব্যাপক রিপোর্টিং পক্ষপাতের প্রমাণ পেয়েছি, বিশেষ করে ফলাফল রিপোর্টিং এবং প্রকাশনা পক্ষপাতের ক্ষেত্রে। আমরা এই সিদ্ধান্তে পৌঁছেছি যে আংশিক ডিফারেনশিয়াল সমীকরণ সমাধানের উপর মেশিন লার্নিং গবেষণা অত্যধিক আশাবাদী: দুর্বল ইনপুট ডেটা অত্যধিক ইতিবাচক ফলাফলের দিকে নিয়ে যেতে পারে এবং রিপোর্টিং পক্ষপাত নেতিবাচক ফলাফলের আন্ডাররিপোর্টিং হতে পারে। বৃহৎ অংশে, এই সমস্যাগুলি অতীতের প্রজননযোগ্যতা সংকটের মতো কারণগুলির কারণে বলে মনে হয়: তদন্তকারীর বিচক্ষণতা এবং ইতিবাচক ফলাফল পক্ষপাত। পক্ষপাতদুষ্ট রিপোর্টিং কমাতে আমরা নীচে থেকে উপরে সাংস্কৃতিক পরিবর্তন এবং এটি করার জন্য বিকৃত প্রণোদনা কমাতে উপরে থেকে নীচে কাঠামোগত সংস্কারের আহ্বান জানাই।
পদ্ধতিগত পর্যালোচনার মাধ্যমে তৈরি লেখক এবং নিবন্ধের তালিকা, সেইসাথে র‍্যান্ডম নমুনায় প্রতিটি নিবন্ধের শ্রেণীবিভাগ, https://doi.org/10.17605/OSF.IO/GQ5B3 (রেফারেন্স 124) -এ সর্বজনীনভাবে উপলব্ধ।
সারণি ২-এ ফলাফল পুনরুৎপাদনের জন্য প্রয়োজনীয় কোডটি GitHub-এ পাওয়া যাবে: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) এবং কোড ওশান-এ: https://codeocean.com/capsule/9605539/Tree/ v1 (লিঙ্ক 126) এবং https://codeocean.com/capsule/0799002/tree/v1 (লিঙ্ক 127)।
র‍্যান্ডাল, ডি., এবং ওয়েলসার, কে., আধুনিক বিজ্ঞানে অপরিণততা সংকট: সংস্কারের কারণ, পরিণতি এবং পথ (জাতীয় বিজ্ঞানী সমিতি, ২০১৮)।
রিচি, এস. সায়েন্স ফিকশন: কীভাবে জালিয়াতি, পক্ষপাত, নীরবতা এবং প্রচারণা সত্যের অনুসন্ধানকে দুর্বল করে (ভিনটেজ, ২০২০)।
উন্মুক্ত বৈজ্ঞানিক সহযোগিতা। মনস্তাত্ত্বিক বিজ্ঞানে প্রজননযোগ্যতা মূল্যায়ন। বিজ্ঞান 349, AAAC4716 (2015)।
প্রিন্স, এফ., শ্লাঞ্জ, টি., এবং আসাদুল্লাহ, কে. বিশ্বাস করুন বা না করুন: সম্ভাব্য ওষুধের লক্ষ্যবস্তু সম্পর্কে প্রকাশিত তথ্যের উপর আমরা কতটা নির্ভর করতে পারি? ন্যাট. রেভারেন্ড "ড্রাগ আবিষ্কার।" ১০, ৭১২ (২০১১)।
বেগলি, কেজি এবং এলিস, এলএম প্রিক্লিনিক্যাল ক্যান্সার গবেষণায় মান বৃদ্ধি। প্রকৃতি 483, 531–533 (2012)।
এ. গেলম্যান এবং ই. লোকেন, দ্য গার্ডেন অফ ফর্কিং পাথস: কেন একাধিক তুলনা "ফিশিং এক্সপিডিশন" বা "পি-হ্যাকস" এবং প্রিফর্মড রিসার্চ হাইপোথিসিস ছাড়াই একটি সমস্যা, খণ্ড 348, 1-17 (পরিসংখ্যান বিভাগ, 2013)।
কারাগিওরগি, জি., কাসেক্কা, জি., ক্রাভিটজ, এস., নাচম্যান, বি., এবং শি, ডি. নতুন মৌলিক পদার্থবিদ্যার সন্ধানে মেশিন লার্নিং। ন্যাট. পদার্থবিদ্যায় দর্শনের ডক্টর। ৪, ৩৯৯–৪১২ (২০২২)।
দারা এস, দামেরচের্লা এস, যাদব এসএস, বাবু সিএম এবং আহসান এমজে। ড্রাগ আবিষ্কারে মেশিন লার্নিং: একটি পর্যালোচনা। আতিফ। ইন্টেল। এড। ৫৫, ১৯৪৭–১৯৯৯ (২০২২)।
ম্যাথার, এএস এবং কুট, এমএল রসায়নে গভীর শিক্ষা। জে. রসায়ন। বিজ্ঞপ্তি। মডেল। ৫৯, ২৫৪৫–২৫৫৯ (২০১৯)।
রাজকোমার এ., ডিন জে. এবং কোহান আই. মেডিসিনে মেশিন লার্নিং। নিউ ইংল্যান্ড জার্নাল অফ মেডিসিন। 380, 1347–1358 (2019)।
গ্রিমার জে, রবার্টস এমই এবং স্টুয়ার্ট বিএম সামাজিক বিজ্ঞানে মেশিন লার্নিং: একটি অজ্ঞেয়বাদী পদ্ধতি। রেভারেন্ড অ্যান বল। বিজ্ঞান। 24, 395–419 (2021)।
জাম্প, জে. প্রমুখ। আলফাফোল্ড ব্যবহার করে অত্যন্ত নির্ভুল প্রোটিন গঠনের ভবিষ্যদ্বাণী করুন। প্রকৃতি 596, 583–589 (2021)।
গুন্ডারসেন, ওই, কোকলি, কে., কার্কপ্যাট্রিক, কে., এবং গিল, ওয়াই। মেশিন লার্নিংয়ে অপ্রজননযোগ্যতার উৎস: একটি পর্যালোচনা। প্রিপ্রিন্ট https://arxiv.org/abs/2204.07610 (2022) এ উপলব্ধ।
স্কালি, ডি., স্নুক, জে., উইল্টসকো, এ., এবং রহিমি, এ. উইনারের অভিশাপ? অভিজ্ঞতাগত প্রমাণের গতি, অগ্রগতি এবং কঠোরতার উপর (ICLR, 2018)।
আর্মস্ট্রং, টিজি, মোফাত, এ., ওয়েবার, ডব্লিউ., এবং জোবেল, জে. নন-অ্যাডিটিভ এনহান্সমেন্টস: ১৯৯৮ সাল থেকে প্রাথমিক অনুসন্ধান ফলাফল। তথ্য ও জ্ঞান ব্যবস্থাপনা সংক্রান্ত ১৮তম এসিএম সম্মেলন ৬০১–৬১০ (এসিএম ২০০৯)।
কাপুর, এস. এবং নারায়ণন, এ. মেশিন লার্নিং-ভিত্তিক বিজ্ঞানে লিকেজ এবং প্রজননযোগ্যতা সংকট। প্যাটার্নস, 4, 100804 (2023)।
কাপুর এস. প্রমুখ। সংস্কার: মেশিন লার্নিংয়ের উপর ভিত্তি করে বৈজ্ঞানিক প্রতিবেদনের মান। প্রিপ্রিন্ট https://arxiv.org/abs/2308.07832 (2023) এ উপলব্ধ।
DeMasi, O., Cording, C., এবং Recht, B. অর্থহীন তুলনা চিকিৎসা মেশিন লার্নিংয়ে মিথ্যা আশাবাদের দিকে নিয়ে যেতে পারে। PloS ONE 12, e0184604 (2017)।
রবার্টস, এম., প্রমুখ। বুকের এক্স-রে এবং কম্পিউটেড টোমোগ্রাফি থেকে COVID-19 সনাক্ত এবং ভবিষ্যদ্বাণী করার জন্য মেশিন লার্নিং ব্যবহারের সাধারণ সমস্যা এবং সর্বোত্তম অনুশীলন। ন্যাট। ম্যাক্স। ইন্টেল। 3, 199–217 (2021)।
উইনান্টজ এল. এট আল। COVID-19 রোগ নির্ণয় এবং পূর্বাভাসের জন্য ভবিষ্যদ্বাণীমূলক মডেল: একটি পদ্ধতিগত পর্যালোচনা এবং সমালোচনামূলক মূল্যায়ন। BMJ 369, m1328 (2020)।
জিনোমিক্সে মেশিন লার্নিং ব্যবহারের ঝুঁকি কাটিয়ে ওঠার জন্য হোয়েলেন এস., শ্রাইবার জে., নোবেল ডব্লিউএস এবং পোলার্ড কেএস। ন্যাট. প্যাস্টর জিনেট। ২৩, ১৬৯–১৮১ (২০২২)।
অ্যাট্রিস এন. এট আল. রসায়নে মেশিন লার্নিংয়ের জন্য সেরা অনুশীলন। ন্যাট. কেমিক্যাল। ১৩, ৫০৫–৫০৮ (২০২১)।
ব্রুনটন এসএল এবং কুটজ জেএন আংশিক ডিফারেনশিয়াল সমীকরণের মেশিন লার্নিংয়ের জন্য প্রতিশ্রুতিবদ্ধ দিকনির্দেশনা। ন্যাট। গণনা। বিজ্ঞান। 4, 483–494 (2024)।
ভিনুয়েসা, আর. এবং ব্রুনটন, এসএল মেশিন লার্নিংয়ের মাধ্যমে কম্পিউটেশনাল ফ্লুইড ডাইনামিক্স উন্নত করা। ন্যাশনাল ক্যালকুলেটর। সায়েন্স। ২, ৩৫৮–৩৬৬ (২০২২)।
কোমো, এস. এট আল। শারীরিকভাবে অবহিত নিউরাল নেটওয়ার্কের সাহায্যে বৈজ্ঞানিক মেশিন লার্নিং: আমরা এখন কোথায় এবং পরবর্তী কী। জে. সায়েন্স। গণনা। 92, 88 (2022)।
ডুরাইসামি, কে., ইয়াকারিনো, জি., এবং জিয়াও, এইচ. ডেটা যুগে টার্বুলেন্স মডেলিং। অ্যান. ৫১, ৩৫৭–৩৭৭ (২০১৯) এর সংশোধিত সংস্করণ।
ডুরান, ডিআর ভূ-ভৌতিক জলগতিবিদ্যায় তরঙ্গ সমীকরণ সমাধানের জন্য সংখ্যাসূচক পদ্ধতি, খণ্ড ৩২ (স্প্রিংগার, ২০১৩)।
মিশ্র, এস. ডিফারেনশিয়াল সমীকরণের ডেটা-চালিত গণনা ত্বরান্বিত করার জন্য একটি মেশিন লার্নিং কাঠামো। গণিত। প্রকৌশলী। https://doi.org/10.3934/Mine.2018.1.118 (2018)।
কোচিকভ ডি. এট আল। মেশিন লার্নিং - কম্পিউটেশনাল ফ্লুইড ডাইনামিক্সের ত্বরণ। প্রক্রিয়া। ন্যাশনাল একাডেমি অফ সায়েন্সেস। বিজ্ঞান। ইউএস ১১৮, e2101784118 (2021)।
কাডাপা, কে. কম্পিউটার বিজ্ঞান ও প্রকৌশলের জন্য মেশিন লার্নিং - একটি সংক্ষিপ্ত ভূমিকা এবং কিছু মূল বিষয়। প্রিপ্রিন্ট https://arxiv.org/abs/2112.12054 (2021) এ উপলব্ধ।
রস, এ., লি, জেড., পেরেজোগিন, পি., ফার্নান্দেজ-গ্রান্ডা, সি., এবং জান্না, এল. আদর্শ মডেলগুলিতে মেশিন লার্নিং সমুদ্র সাবগ্রিড প্যারামিটারাইজেশনের তুলনামূলক বিশ্লেষণ। জে. অ্যাডভান্স। মডেল। আর্থ সিস্টেম। ১৫. e2022MS003258 (2023)।
লিপ্পে, পি., উইলিং, বি., পেরডিকারিস, পি., টার্নার, আর., এবং ব্র্যান্ডস্টেটার, জে. পিডিই পরিশোধন: নিউরাল পিডিই সলভারের সাহায্যে সঠিক দীর্ঘ এক্সট্রুশন অর্জন। নিউরাল ইনফরমেশন প্রসেসিং সিস্টেমের উপর ৩৭তম সম্মেলন (নিউরআইপিএস ২০২৩)।
ফ্রাচাস, পিআর এবং অন্যান্য। জটিল স্প্যাসিওটেম্পোরাল গতিবিদ্যার পূর্বাভাসের জন্য পুনরাবৃত্ত নিউরাল নেটওয়ার্কগুলিতে ব্যাকপ্রোপ্যাগেশন অ্যালগরিদম এবং জলাধার গণনা। নিউরাল নেটওয়ার্ক। 126, 191–217 (2020)।
রাইসি, এম., পেরডিকারিস, পি. এবং কার্নিয়াডাকিস, জিই পদার্থবিদ্যা, কম্পিউটার বিজ্ঞান, নিউরাল নেটওয়ার্ক: অরৈখিক আংশিক ডিফারেনশিয়াল সমীকরণ জড়িত ফরোয়ার্ড এবং ইনভার্স সমস্যা সমাধানের জন্য একটি গভীর শিক্ষা কাঠামো। জে. কম্পিউটার। পদার্থবিদ্যা। 378, 686–707 (2019)।
গ্রসম্যান, টিজি, কোমোরোভস্কা, ইউজে, লুটজ, জে., এবং শোনলিব, কে.-বি। পদার্থবিদ্যা-ভিত্তিক নিউরাল নেটওয়ার্কগুলি কি সসীম উপাদান পদ্ধতিগুলিকে ছাড়িয়ে যেতে পারে? আইএমএ জে. অ্যাপ্লিকেশন। গণিত। 89, 143–174 (2024)।
ডি লা মাতা, এফএফ, গিজন, এ., মোলিনা-সোলানা, এম., এবং গোমেজ-রোমেরো, জে. ডেটা-চালিত মডেলিংয়ের জন্য পদার্থবিদ্যা-ভিত্তিক নিউরাল নেটওয়ার্ক: সুবিধা, সীমাবদ্ধতা এবং সুযোগ। পদার্থবিদ্যা। এ 610, 128415 (2023)।
ঝুয়াং, পি.-ওয়াই. এবং বারবা, এলএ তরল মডেলিংয়ে পদার্থবিদ্যা-ভিত্তিক নিউরাল নেটওয়ার্কের উপর একটি অভিজ্ঞতামূলক প্রতিবেদন: ত্রুটি এবং হতাশা। প্রিপ্রিন্ট https://arxiv.org/abs/2205.14249 (2022) এ উপলব্ধ।
ঝুয়াং, পি.-ওয়াই. এবং বারবা, এলএ ঘূর্ণি গঠনের উপর শারীরিকভাবে অবহিত নিউরাল নেটওয়ার্কের ভবিষ্যদ্বাণীমূলক সীমাবদ্ধতা। প্রিপ্রিন্ট https://arxiv.org/abs/2306.00230 (2023) এ উপলব্ধ।
ওয়াং, এস., ইউ, এইচ., এবং পেরডিকারিস, পি. কখন এবং কেন পিন প্রশিক্ষণে ব্যর্থ হয়: একটি নিউরাল ট্যানজেন্ট নিউক্লিয়াস দৃষ্টিকোণ। জে. কম্পিউটার। পদার্থবিদ্যা। 449, 110768 (2022)।
কৃষ্ণপ্রিয়ণ, এ., ঘোলামি, এ., ঝে, এস., কিরবি, আর., এবং মাহোনি, এমডব্লিউ ভৌত তথ্য নিউরাল নেটওয়ার্কে সম্ভাব্য ব্যর্থতার মোডের বৈশিষ্ট্য। নিউরাল ইনফরমেশন প্রসেসিং সিস্টেমের উপর ৩৫তম সম্মেলন খণ্ড ৩৪, ২৬৫৪৮–২৬৫৬০ (নিউরআইপিএস ২০২১)।
বাসির, এস. এবং সেনোকাক, আই. পদার্থবিদ্যা-ভিত্তিক নিউরাল নেটওয়ার্কগুলিতে ব্যর্থতার মোডগুলির একটি সমালোচনামূলক অধ্যয়ন। AiAA SCITECH 2022 ফোরাম 2353 (ARK, 2022) এ।
কর্নাকভ পি., লিটভিনভ এস. এবং কৌমুৎসাকোস পি. বিচ্ছিন্ন ক্ষতির অনুকূলকরণের মাধ্যমে শারীরিক বিপরীত সমস্যা সমাধান: নিউরাল নেটওয়ার্ক ছাড়াই দ্রুত এবং নির্ভুল শিক্ষা। প্রক্রিয়া। জাতীয় বিজ্ঞান একাডেমি। বিজ্ঞান। নেক্সাস 3, pgae005 (2024)।
গুন্ডারসেন OE পুনরুৎপাদনযোগ্যতার মৌলিক নীতি। ফিল.ক্রস। আর. শুকার। এ 379, 20200210 (2021)।
অ্যারোমাটারিস ই এবং পিয়ারসন এ. সিস্টেম্যাটিক পর্যালোচনা: একটি সংক্ষিপ্তসার। হ্যাঁ। জে. নার্সিং 114, 53–58 (2014)।
ম্যাগিয়েরা, জে., রে, ডি., হেসথাভেন, জেএস, এবং রোহডে, কে. রিম্যান সমস্যার জন্য সীমাবদ্ধতা-সচেতন নিউরাল নেটওয়ার্ক। জে. কম্পিউটার। পদার্থবিদ্যা। 409, 109345 (2020)।
বেজগিন ডিএ, শ্মিট এসজে এবং অ্যাডামস এনএ নন-ক্লাসিক্যাল রিডিউসড ভোল্টেজ শকের জন্য ডেটা-চালিত ফিজিক্যালি ইনফর্মড সসীম ভলিউম সার্কিট। জে. কম্পিউটার। পদার্থবিদ্যা। ৪৩৭, ১১০৩২৪ (২০২১)।