નબળા બેઝલાઇન અને રિપોર્ટિંગ પૂર્વગ્રહ પ્રવાહી-સંબંધિત આંશિક વિભેદક સમીકરણોના મશીન લર્નિંગમાં વધુ પડતા આશાવાદ તરફ દોરી જાય છે.

Nature.com ની મુલાકાત લેવા બદલ આભાર. તમે જે બ્રાઉઝરનો ઉપયોગ કરી રહ્યા છો તેના વર્ઝનમાં મર્યાદિત CSS સપોર્ટ છે. શ્રેષ્ઠ પરિણામો માટે, અમે ભલામણ કરીએ છીએ કે તમે તમારા બ્રાઉઝરના નવા વર્ઝનનો ઉપયોગ કરો (અથવા ઇન્ટરનેટ એક્સપ્લોરરમાં સુસંગતતા મોડને અક્ષમ કરો). આ દરમિયાન, ચાલુ સપોર્ટ સુનિશ્ચિત કરવા માટે, અમે સ્ટાઇલિંગ અથવા JavaScript વિના સાઇટ બતાવી રહ્યા છીએ.
કોમ્પ્યુટેશનલ ફિઝિક્સમાં મશીન લર્નિંગના સૌથી આશાસ્પદ ઉપયોગોમાંનો એક આંશિક વિભેદક સમીકરણો (PDEs) નું ઝડપી ઉકેલ છે. મશીન લર્નિંગ-આધારિત આંશિક વિભેદક સમીકરણ ઉકેલનારનો મુખ્ય ધ્યેય એવા ઉકેલો ઉત્પન્ન કરવાનો છે જે પ્રમાણભૂત સંખ્યાત્મક પદ્ધતિઓ કરતાં પૂરતા ઝડપી સચોટ હોય અને બેઝલાઇન સરખામણી તરીકે સેવા આપે. અમે સૌપ્રથમ આંશિક વિભેદક સમીકરણો ઉકેલવા પર મશીન લર્નિંગ સાહિત્યની વ્યવસ્થિત સમીક્ષા કરીએ છીએ. પ્રવાહી આંશિક વિભેદક સમીકરણો ઉકેલવા માટે ML ના ઉપયોગની જાણ કરતા અને પ્રમાણભૂત સંખ્યાત્મક પદ્ધતિઓ કરતાં શ્રેષ્ઠતાનો દાવો કરતા તમામ પેપર્સમાંથી, અમે નબળા બેઝલાઇનની તુલનામાં 79% (60/76) ઓળખી કાઢ્યા. બીજું, અમને વ્યાપક રિપોર્ટિંગ પૂર્વગ્રહના પુરાવા મળ્યા, ખાસ કરીને પરિણામ રિપોર્ટિંગ અને પ્રકાશન પૂર્વગ્રહમાં. અમે તારણ કાઢીએ છીએ કે આંશિક વિભેદક સમીકરણો ઉકેલવા પર મશીન લર્નિંગ સંશોધન વધુ પડતું આશાવાદી છે: નબળા ઇનપુટ ડેટા વધુ પડતા હકારાત્મક પરિણામો તરફ દોરી શકે છે, અને રિપોર્ટિંગ પૂર્વગ્રહ નકારાત્મક પરિણામોના ઓછા રિપોર્ટિંગ તરફ દોરી શકે છે. મોટાભાગે, આ સમસ્યાઓ ભૂતકાળના પ્રજનનક્ષમતા કટોકટી જેવા પરિબળોને કારણે થતી હોય તેવું લાગે છે: તપાસકર્તા વિવેકબુદ્ધિ અને હકારાત્મક પરિણામ પૂર્વગ્રહ. અમે પક્ષપાતી રિપોર્ટિંગ ઘટાડવા માટે નીચેથી ઉપર સાંસ્કૃતિક પરિવર્તન અને આમ કરવા માટે વિકૃત પ્રોત્સાહનો ઘટાડવા માટે ઉપરથી નીચે માળખાકીય સુધારા માટે હાકલ કરીએ છીએ.
વ્યવસ્થિત સમીક્ષા દ્વારા જનરેટ કરાયેલ લેખકો અને લેખોની યાદી, તેમજ રેન્ડમ નમૂનામાં દરેક લેખનું વર્ગીકરણ, https://doi.org/10.17605/OSF.IO/GQ5B3 (સંદર્ભ 124) પર જાહેરમાં ઉપલબ્ધ છે.
કોષ્ટક 2 માં પરિણામોનું પુનઃઉત્પાદન કરવા માટે જરૂરી કોડ GitHub પર મળી શકે છે: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (સંદર્ભ 125) અને કોડ ઓશન પર: https://codeocean.com/capsule/9605539/Tree/ v1 (લિંક 126) અને https://codeocean.com/capsule/0799002/tree/v1 (લિંક 127).
રેન્ડલ, ડી., અને વેલ્સર, કે., આધુનિક વિજ્ઞાનમાં અપ્રજનનક્ષમતા કટોકટી: કારણો, પરિણામો અને સુધારા માટેના માર્ગો (નેશનલ એસોસિએશન ઓફ સાયન્ટિસ્ટ્સ, 2018).
રિચી, એસ. સાયન્સ ફિક્શન: કેવી રીતે છેતરપિંડી, પૂર્વગ્રહ, મૌન અને પ્રચાર સત્યની શોધને નબળી પાડે છે (વિન્ટેજ, 2020).
ખુલ્લો વૈજ્ઞાનિક સહયોગ. મનોવૈજ્ઞાનિક વિજ્ઞાનમાં પ્રજનનક્ષમતાનું મૂલ્યાંકન. વિજ્ઞાન 349, AAAC4716 (2015).
પ્રિન્ઝ, એફ., સ્લેન્જ, ટી., અને અસદુલ્લાહ, કે. માનો કે ના માનો: સંભવિત ડ્રગ લક્ષ્યો પર પ્રકાશિત ડેટા પર આપણે કેટલો આધાર રાખી શકીએ? નેટ. રેવ. "ધ ડિસ્કવરી ઓફ ડ્રગ્સ." 10, 712 (2011).
બેગલી, કેજી અને એલિસ, એલએમ. પ્રીક્લિનિકલ કેન્સર સંશોધનમાં ધોરણો વધારવું. નેચર 483, 531–533 (2012).
એ. ગેલમેન અને ઇ. લોકેન, ધ ગાર્ડન ઓફ ફોર્કિંગ પાથ્સ: "ફિશિંગ એક્સપિડિશન્સ" અથવા "પી-હેક્સ" અને પ્રીફોર્મ્ડ રિસર્ચ હાઇપોથિસિસ વિના પણ બહુવિધ સરખામણીઓ એક સમસ્યા કેમ છે, ભાગ 348, 1–17 (આંકડા વિભાગ, 2013).
કારાગીઓર્ગી, જી., કાસેકા, જી., ક્રેવિટ્ઝ, એસ., નાચમેન, બી., અને શી, ડી. નવા મૂળભૂત ભૌતિકશાસ્ત્રની શોધમાં મશીન લર્નિંગ. નેટ. ભૌતિકશાસ્ત્રમાં ફિલોસોફીના ડોક્ટર. 4, 399–412 (2022).
દારા એસ, ડામરચેરલા એસ, જાધવ એસએસ, બાબુ સીએમ અને અહેસાન એમજે. ડ્રગ ડિસ્કવરીમાં મશીન લર્નિંગ: એક સમીક્ષા. આતિફ. ઇન્ટેલ. એડ. 55, 1947–1999 (2022).
માથેર, એએસ અને કુટે, એમએલ રસાયણશાસ્ત્રમાં ઊંડાણપૂર્વકનું શિક્ષણ. જે. રસાયણશાસ્ત્ર. સૂચના. મોડેલ. 59, 2545–2559 (2019).
રાજકોમર એ., ડીન જે. અને કોહાન આઈ. દવામાં મશીન લર્નિંગ. ન્યુ ઈંગ્લેન્ડ જર્નલ ઓફ મેડિસિન. 380, 1347–1358 (2019).
ગ્રીમર જે, રોબર્ટ્સ એમઈ. અને સ્ટુઅર્ટ બીએમ સામાજિક વિજ્ઞાનમાં મશીન લર્નિંગ: એક અજ્ઞેયવાદી અભિગમ. રેવ. એન બોલ. વિજ્ઞાન. 24, 395–419 (2021).
જમ્પ, જે. એટ અલ. આલ્ફાફોલ્ડનો ઉપયોગ કરીને ખૂબ જ સચોટ પ્રોટીન રચના આગાહીઓ કરો. નેચર 596, 583–589 (2021).
ગુંડરસન, OE, કોકલી, કે., કિર્કપેટ્રિક, કે., અને ગિલ, વાય. મશીન લર્નિંગમાં અપ્રજનનક્ષમતાના સ્ત્રોતો: એક સમીક્ષા. પ્રીપ્રિન્ટ https://arxiv.org/abs/2204.07610 (2022) પર ઉપલબ્ધ છે.
સ્કલી, ડી., સ્નૂક, જે., વિલ્ટ્સકો, એ., અને રહીમી, એ. વિજેતાનો શાપ? પ્રયોગમૂલક પુરાવાની ગતિ, પ્રગતિ અને કઠોરતા પર (ICLR, 2018).
આર્મસ્ટ્રોંગ, ટીજી, મોફેટ, એ., વેબર, ડબલ્યુ., અને ઝોબેલ, જે. નોન-એડિટિવ એન્હાન્સમેન્ટ્સ: 1998 થી પ્રારંભિક શોધ પરિણામો. માહિતી અને જ્ઞાન વ્યવસ્થાપન પર 18મી ACM કોન્ફરન્સ 601–610 (ACM 2009).
કપૂર, એસ. અને નારાયણન, એ. મશીન લર્નિંગ-આધારિત વિજ્ઞાનમાં લીકેજ અને પ્રજનનક્ષમતા કટોકટી. પેટર્ન્સ, 4, 100804 (2023).
કપૂર એસ. એટ અલ. રિફોર્મ: મશીન લર્નિંગ પર આધારિત વૈજ્ઞાનિક રિપોર્ટિંગ ધોરણો. પ્રીપ્રિન્ટ https://arxiv.org/abs/2308.07832 (2023) પર ઉપલબ્ધ છે.
ડીમાસી, ઓ., કોર્ડિંગ, સી., અને રેક્ટ, બી. અર્થહીન સરખામણીઓ મેડિકલ મશીન લર્નિંગમાં ખોટા આશાવાદ તરફ દોરી શકે છે. PloS ONE 12, e0184604 (2017).
રોબર્ટ્સ, એમ., વગેરે. છાતીના એક્સ-રે અને કમ્પ્યુટેડ ટોમોગ્રાફી દ્વારા COVID-19 ને શોધવા અને આગાહી કરવા માટે મશીન લર્નિંગનો ઉપયોગ કરવા માટેની સામાન્ય મુશ્કેલીઓ અને શ્રેષ્ઠ પદ્ધતિઓ. નેટ. મેક્સ. ઇન્ટેલ. 3, 199–217 (2021).
વિનાન્ત્ઝ એલ. એટ અલ. COVID-19 ના નિદાન અને પૂર્વસૂચન માટે આગાહી મોડેલ્સ: એક વ્યવસ્થિત સમીક્ષા અને નિર્ણાયક મૂલ્યાંકન. BMJ 369, m1328 (2020).
વ્હેલન એસ., શ્રેઇબર જે., નોબલ ડબલ્યુએસ અને પોલાર્ડ કેએસ જીનોમિક્સમાં મશીન લર્નિંગનો ઉપયોગ કરવાની મુશ્કેલીઓને દૂર કરે છે. નેટ. પાદરી જીનેટ. 23, 169–181 (2022).
એટ્રિસ એન. એટ અલ. રસાયણશાસ્ત્રમાં મશીન લર્નિંગ માટેની શ્રેષ્ઠ પદ્ધતિઓ. નેટ. કેમિકલ. ૧૩, ૫૦૫–૫૦૮ (૨૦૨૧).
બ્રન્ટન એસએલ અને કુટ્ઝ જેએન. આંશિક વિભેદક સમીકરણોના મશીન લર્નિંગ માટે આશાસ્પદ દિશાઓ. નેટ. ગણતરી. વિજ્ઞાન. 4, 483–494 (2024).
વિનુએસા, આર. અને બ્રન્ટન, એસએલ મશીન લર્નિંગ દ્વારા કોમ્પ્યુટેશનલ ફ્લુઇડ ડાયનેમિક્સ સુધારવું. નેટ. કેલ્ક્યુલેટ. સાયન્સ. 2, 358–366 (2022).
કોમ્યુ, એસ. એટ અલ. ભૌતિક રીતે જાણકાર ન્યુરલ નેટવર્ક્સ સાથે વૈજ્ઞાનિક મશીન લર્નિંગ: આપણે હવે ક્યાં છીએ અને આગળ શું છે. જે. સાયન્સ. ગણતરી. 92, 88 (2022).
દુરૈસામી, કે., યાકરીનો, જી., અને ઝિયાઓ, એચ. ડેટા યુગમાં ટર્બ્યુલન્સ મોડેલિંગ. એન. 51, 357–377 (2019) ની સુધારેલી આવૃત્તિ.
ડ્યુરન, ડીઆર ભૂ-ભૌતિક હાઇડ્રોડાયનેમિક્સમાં તરંગ સમીકરણો ઉકેલવા માટેની સંખ્યાત્મક પદ્ધતિઓ, ભાગ 32 (સ્પ્રિંગર, 2013).
મિશ્રા, એસ. વિભેદક સમીકરણોના ડેટા-આધારિત ગણતરીને વેગ આપવા માટે મશીન લર્નિંગ ફ્રેમવર્ક. ગણિત. એન્જિનિયર. https://doi.org/10.3934/Mine.2018.1.118 (2018).
કોચિકોવ ડી. એટ અલ. મશીન લર્નિંગ - કોમ્પ્યુટેશનલ ફ્લુઇડ ડાયનેમિક્સનું પ્રવેગક. પ્રક્રિયા. નેશનલ એકેડેમી ઓફ સાયન્સિસ. વિજ્ઞાન. યુએસ 118, e2101784118 (2021).
કડપા, કે. કમ્પ્યુટર સાયન્સ અને એન્જિનિયરિંગ માટે મશીન લર્નિંગ - સંક્ષિપ્ત પરિચય અને કેટલાક મુખ્ય મુદ્દાઓ. પ્રીપ્રિન્ટ https://arxiv.org/abs/2112.12054 (2021) પર ઉપલબ્ધ છે.
રોસ, એ., લી, ઝેડ., પેરેઝોગિન, પી., ફર્નાન્ડીઝ-ગ્રાન્ડા, સી., અને ઝાન્ના, એલ. આદર્શ મોડેલોમાં મશીન લર્નિંગ ઓશન સબગ્રીડ પેરામીટરાઇઝેશનનું તુલનાત્મક વિશ્લેષણ. જે.એડ્વ. મોડેલ. પૃથ્વી સિસ્ટમ. 15. e2022MS003258 (2023).
લિપ્પે, પી., વિલિંગ, બી., પેરડીકેરિસ, પી., ટર્નર, આર., અને બ્રાન્ડસ્ટેટર, જે. પીડીઇ રિફાઇનમેન્ટ: ન્યુરલ પીડીઇ સોલ્વર સાથે સચોટ લાંબા એક્સટ્રુઝન પ્રાપ્ત કરવા. ન્યુરલ ઇન્ફર્મેશન પ્રોસેસિંગ સિસ્ટમ્સ પર 37મી કોન્ફરન્સ (ન્યુરઆઈપીએસ 2023).
ફ્રેચાસ, પીઆર અને અન્ય. જટિલ અવકાશી-ટેમ્પોરલ ગતિશીલતાની આગાહી કરવા માટે રિકરન્ટ ન્યુરલ નેટવર્ક્સમાં બેકપ્રોપેગેશન અલ્ગોરિધમ અને જળાશય ગણતરી. ન્યુરલ નેટવર્ક. 126, 191–217 (2020).
રાયસી, એમ., પેર્ડિકરિસ, પી. અને કર્નિયાડાકિસ, જીઇ ફિઝિક્સ, કોમ્પ્યુટર સાયન્સ, ન્યુરલ નેટવર્ક્સ: નોનલાઇનર આંશિક વિભેદક સમીકરણોને સંડોવતા ફોરવર્ડ અને ઇન્વર્સ સમસ્યાઓના ઉકેલ માટે એક ઊંડા શિક્ષણ માળખું. જે. કોમ્પ્યુટર. ફિઝિક્સ. 378, 686–707 (2019).
ગ્રોસમેન, ટીજી, કોમોરોવસ્કા, યુજે, લુટ્ઝ, જે., અને શોનલીબ, કે.-બી. શું ભૌતિકશાસ્ત્ર-આધારિત ન્યુરલ નેટવર્ક્સ મર્યાદિત તત્વ પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરી શકે છે? આઇએમએ જે. એપ્લિકેશન્સ. ગણિત. 89, 143–174 (2024).
ડે લા માટા, એફએફ, ગિજોન, એ., મોલિના-સોલાના, એમ., અને ગોમેઝ-રોમેરો, જે. ડેટા-આધારિત મોડેલિંગ માટે ભૌતિકશાસ્ત્ર-આધારિત ન્યુરલ નેટવર્ક્સ: ફાયદા, મર્યાદાઓ અને તકો. ભૌતિકશાસ્ત્ર. એ 610, 128415 (2023).
ઝુઆંગ, પી.-વાય. અને બાર્બા, એલએ પ્રવાહી મોડેલિંગમાં ભૌતિકશાસ્ત્ર-આધારિત ન્યુરલ નેટવર્ક્સ પર એક પ્રયોગમૂલક અહેવાલ: મુશ્કેલીઓ અને નિરાશાઓ. પ્રીપ્રિન્ટ https://arxiv.org/abs/2205.14249 (2022) પર ઉપલબ્ધ છે.
ઝુઆંગ, પી.-વાય. અને બાર્બા, એલએ. વમળ રચના પર ભૌતિક રીતે જાણકાર ન્યુરલ નેટવર્ક્સની આગાહી મર્યાદાઓ. પ્રીપ્રિન્ટ https://arxiv.org/abs/2306.00230 (2023) પર ઉપલબ્ધ છે.
વાંગ, એસ., યુ, એચ., અને પેર્ડિકેરિસ, પી. ક્યારે અને શા માટે પિન્સ તાલીમ આપવામાં નિષ્ફળ જાય છે: એક ન્યુરલ ટેન્જેન્ટ ન્યુક્લિયસ પરિપ્રેક્ષ્ય. જે. કમ્પ્યુટર. ભૌતિકશાસ્ત્ર. 449, 110768 (2022).
કૃષ્ણપ્રિયન, એ., ઘોલમી, એ., ઝે, એસ., કિર્બી, આર., અને મહોની, એમડબ્લ્યુ ભૌતિક માહિતી ન્યુરલ નેટવર્ક્સમાં શક્ય નિષ્ફળતા મોડ્સની લાક્ષણિકતાઓ. ન્યુરલ ઇન્ફર્મેશન પ્રોસેસિંગ સિસ્ટમ્સ પર 35મી કોન્ફરન્સ વોલ્યુમ 34, 26548–26560 (ન્યુરઆઈપીએસ 2021).
બસિર, એસ. અને સેનોકાક, આઈ. ભૌતિકશાસ્ત્ર-આધારિત ન્યુરલ નેટવર્ક્સમાં નિષ્ફળતા સ્થિતિઓનો એક મહત્વપૂર્ણ અભ્યાસ. AiAA SCITECH 2022 ફોરમ 2353 (ARK, 2022) માં.
કર્નાકોવ પી., લિટવિનોવ એસ. અને કુમુત્સાકોસ પી. ડિસ્ક્રીટ લોસને ઑપ્ટિમાઇઝ કરીને ભૌતિક વ્યસ્ત સમસ્યાઓનું નિરાકરણ: ન્યુરલ નેટવર્ક વિના ઝડપી અને સચોટ શિક્ષણ. પ્રક્રિયા. નેશનલ એકેડેમી ઓફ સાયન્સિસ. વિજ્ઞાન. નેક્સસ 3, pgae005 (2024).
ગુંડરસન OE પ્રજનનક્ષમતાના મૂળભૂત સિદ્ધાંતો. ફિલ.ક્રોસ. આર. શુકર. એ 379, 20200210 (2021).
એરોમેટેરિસ ઇ અને પીયર્સન એ. સિસ્ટમેટિક સમીક્ષાઓ: એક ઝાંખી. હા. જે. નર્સિંગ 114, 53–58 (2014).
મેગીએરા, જે., રે, ડી., હેસ્થેવન, જેએસ, અને રોહડે, કે. રીમેન સમસ્યા માટે અવરોધ-જાગૃત ન્યુરલ નેટવર્ક્સ. જે. કમ્પ્યુટર. ભૌતિકશાસ્ત્ર. 409, 109345 (2020).
બેઝગિન ડીએ, શ્મિટ એસજે અને એડમ્સ એનએ નોન-ક્લાસિકલ રિડ્યુસ્ડ વોલ્ટેજ શોક્સ માટે ડેટા-ડ્રાઇવ્ડ ફિઝિકલલી ઇન્ફોર્મ્ડ ફિનિમાઇડ વોલ્યુમ સર્કિટ. જે. કોમ્પ્યુટર. ફિઝિક્સ. 437, 110324 (2021).