कमजोर आधार रेखाएं और रिपोर्टिंग पूर्वाग्रह, द्रव-संबंधी आंशिक अंतर समीकरणों की मशीन लर्निंग में अति-आशावाद को जन्म देते हैं।

Nature.com पर आने के लिए धन्यवाद। आप जिस ब्राउज़र का इस्तेमाल कर रहे हैं, उसमें CSS सपोर्ट सीमित है। सर्वोत्तम परिणामों के लिए, हम अनुशंसा करते हैं कि आप अपने ब्राउज़र का नया संस्करण इस्तेमाल करें (या इंटरनेट एक्सप्लोरर में कम्पैटिबिलिटी मोड को अक्षम करें)। इस बीच, निरंतर सपोर्ट सुनिश्चित करने के लिए, हम साइट को स्टाइलिंग या जावास्क्रिप्ट के बिना दिखा रहे हैं।
कम्प्यूटेशनल भौतिकी में मशीन लर्निंग के सबसे आशाजनक अनुप्रयोगों में से एक आंशिक अवकल समीकरणों (PDE) का त्वरित समाधान है। मशीन लर्निंग-आधारित आंशिक अवकल समीकरण सॉल्वर का मुख्य लक्ष्य ऐसे समाधान तैयार करना है जो मानक संख्यात्मक विधियों की तुलना में पर्याप्त रूप से सटीक और तेज़ हों और आधारभूत तुलना के रूप में काम कर सकें। हम सबसे पहले आंशिक अवकल समीकरणों को हल करने पर मशीन लर्निंग साहित्य की एक व्यवस्थित समीक्षा करते हैं। तरल आंशिक अवकल समीकरणों को हल करने के लिए मशीन लर्निंग के उपयोग की रिपोर्ट करने वाले और मानक संख्यात्मक विधियों पर श्रेष्ठता का दावा करने वाले सभी पत्रों में, हमने 79% (60/76) की तुलना में कमज़ोर आधारभूत रेखाओं की पहचान की। दूसरा, हमें व्यापक रिपोर्टिंग पूर्वाग्रह के प्रमाण मिले, विशेष रूप से परिणाम रिपोर्टिंग और प्रकाशन पूर्वाग्रह में। हम इस निष्कर्ष पर पहुँचे हैं कि आंशिक अवकल समीकरणों को हल करने पर मशीन लर्निंग अनुसंधान अत्यधिक आशावादी है: कमज़ोर इनपुट डेटा अत्यधिक सकारात्मक परिणाम दे सकता है, और रिपोर्टिंग पूर्वाग्रह नकारात्मक परिणामों की कम रिपोर्टिंग का कारण बन सकता है। मोटे तौर पर, ये समस्याएँ पिछले पुनरुत्पादन संकटों जैसे कारकों के कारण प्रतीत होती हैं: अन्वेषक विवेकाधिकार और सकारात्मक परिणाम पूर्वाग्रह। हम पक्षपातपूर्ण रिपोर्टिंग को न्यूनतम करने के लिए नीचे से ऊपर की ओर सांस्कृतिक परिवर्तन तथा ऐसा करने के लिए विकृत प्रोत्साहनों को कम करने के लिए ऊपर से नीचे की ओर संरचनात्मक सुधार का आह्वान करते हैं।
व्यवस्थित समीक्षा द्वारा तैयार लेखकों और लेखों की सूची, साथ ही यादृच्छिक नमूने में प्रत्येक लेख का वर्गीकरण, सार्वजनिक रूप से https://doi.org/10.17605/OSF.IO/GQ5B3 (संदर्भ 124) पर उपलब्ध है।
तालिका 2 में परिणामों को पुन: प्रस्तुत करने के लिए आवश्यक कोड GitHub पर पाया जा सकता है: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) और Code Ocean पर: https://codeocean.com/capsule/9605539/Tree/ v1 (लिंक 126) और https://codeocean.com/capsule/0799002/tree/v1 (लिंक 127)।
रैंडल, डी., और वेल्सर, के., आधुनिक विज्ञान में अप्रतिकृति संकट: कारण, परिणाम और सुधार के रास्ते (नेशनल एसोसिएशन ऑफ साइंटिस्ट्स, 2018)।
रिची, एस. साइंस फिक्शन: कैसे धोखाधड़ी, पूर्वाग्रह, चुप्पी और प्रचार सत्य की खोज को कमजोर करते हैं (विंटेज, 2020)।
खुला वैज्ञानिक सहयोग। मनोवैज्ञानिक विज्ञान में पुनरुत्पादकता का आकलन। विज्ञान 349, AAAC4716 (2015)।
प्रिंज़, एफ., श्लांगे, टी., और असदुल्लाह, के. विश्वास करें या न करें: संभावित दवा लक्ष्यों पर प्रकाशित आंकड़ों पर हम कितना भरोसा कर सकते हैं? नैट. रेव. "द डिस्कवरी ऑफ ड्रग्स।" 10, 712 (2011)।
बेगली, के.जी. और एलिस, एल.एम. प्रीक्लिनिकल कैंसर अनुसंधान में मानकों को बढ़ाना। नेचर 483, 531–533 (2012)।
ए. जेलमैन और ई. लोकेन, द गार्डन ऑफ फोर्किंग पाथ्स: "फिशिंग एक्सपीडिशन" या "पी-हैक्स" और प्रीफॉर्म्ड रिसर्च हाइपोथेसिस के बिना भी मल्टीपल कंपैरिजन एक समस्या क्यों है, खंड 348, 1–17 (सांख्यिकी विभाग, 2013)।
करागियोर्गी, जी., कासेका, जी., क्राविट्ज़, एस., नाचमन, बी., और शि, डी. नए मूलभूत भौतिकी की खोज में मशीन लर्निंग। भौतिकी में प्राकृतिक डॉक्टरेट। 4, 399–412 (2022)।
दारा एस, दामरचेरला एस, जाधव एसएस, बाबू सीएम और अहसान एमजे. दवा खोज में मशीन लर्निंग: एक समीक्षा. आतिफ इंटेल. एड. 55, 1947–1999 (2022).
माथेर, एएस और कूटे, एमएल रसायन विज्ञान में गहन शिक्षा। जे.केमिस्ट्री। नोटिफ़ाई। मॉडल। 59, 2545–2559 (2019)।
राजकोमर ए., डीन जे. और कोहन आई. चिकित्सा में मशीन लर्निंग। न्यू इंग्लैंड जर्नल ऑफ मेडिसिन। 380, 1347–1358 (2019)।
ग्रिमर जे, रॉबर्ट्स एम.ई. और स्टीवर्ट बी.एम. सामाजिक विज्ञान में मशीन लर्निंग: एक अज्ञेयवादी दृष्टिकोण। रेव. एन बॉल। विज्ञान। 24, 395–419 (2021)।
जंप, जे. एट अल. अल्फाफोल्ड का उपयोग करके प्रोटीन संरचना की अत्यधिक सटीक भविष्यवाणियाँ करें। नेचर 596, 583–589 (2021)।
गुंडर्सन, ओ.ई., कोकले, के., किर्कपैट्रिक, के., और गिल, वाई. मशीन लर्निंग में अप्रतिलिपिता के स्रोत: एक समीक्षा। प्रीप्रिंट https://arxiv.org/abs/2204.07610 (2022) पर उपलब्ध है।
स्कली, डी., स्नूक, जे., विल्ट्सचको, ए., और रहीमी, ए. विजेता का अभिशाप? अनुभवजन्य साक्ष्य की गति, प्रगति और कठोरता पर (आईसीएलआर, 2018)।
आर्मस्ट्रांग, टी.जी., मोफ़ैट, ए., वेबर, डब्ल्यू., और ज़ोबेल, जे. गैर-योज्य संवर्द्धन: 1998 से प्रारंभिक खोज परिणाम। सूचना और ज्ञान प्रबंधन पर 18वां एसीएम सम्मेलन 601-610 (एसीएम 2009)।
कपूर, एस. और नारायणन, ए. मशीन लर्निंग-आधारित विज्ञान में रिसाव और पुनरुत्पादन संकट। पैटर्न, 4, 100804 (2023)।
कपूर एस. एवं अन्य. सुधार: मशीन लर्निंग पर आधारित वैज्ञानिक रिपोर्टिंग मानक। प्रीप्रिंट https://arxiv.org/abs/2308.07832 (2023) पर उपलब्ध है।
डेमासी, ओ., कॉर्डिंग, सी., और रेच्ट, बी. अर्थहीन तुलनाएँ मेडिकल मशीन लर्निंग में झूठी आशावादिता को जन्म दे सकती हैं। प्लॉस वन 12, e0184604 (2017)।
रॉबर्ट्स, एम., एट अल. छाती के एक्स-रे और कंप्यूटेड टोमोग्राफी से कोविड-19 का पता लगाने और भविष्यवाणी करने के लिए मशीन लर्निंग का उपयोग करने में आम खामियाँ और सर्वोत्तम अभ्यास। नेट. मैक्स. इंटेल. 3, 199–217 (2021)।
विनांट्ज़ एल. एट अल. कोविड-19 के निदान और पूर्वानुमान के लिए पूर्वानुमान मॉडल: एक व्यवस्थित समीक्षा और आलोचनात्मक मूल्यांकन। बीएमजे 369, एम1328 (2020)।
व्हेलन एस., श्रेइबर जे., नोबल डब्ल्यू.एस. और पोलार्ड के.एस. जीनोमिक्स में मशीन लर्निंग के उपयोग के नुकसानों पर काबू पाना। नैट। पादरी गिनेट। 23, 169–181 (2022)।
एट्रिस एन. एट अल. रसायन विज्ञान में मशीन लर्निंग के लिए सर्वोत्तम अभ्यास। नैट. केमिकल। 13, 505–508 (2021)।
ब्रंटन एस.एल. और कुट्ज़ जे.एन. आंशिक अंतर समीकरणों की मशीन लर्निंग के लिए आशाजनक दिशाएँ। राष्ट्रीय गणना विज्ञान। 4, 483–494 (2024)।
विनुएसा, आर. और ब्रंटन, एस.एल. मशीन लर्निंग के माध्यम से कम्प्यूटेशनल द्रव गतिकी में सुधार। प्राकृतिक गणना विज्ञान। 2, 358–366 (2022)।
कोम्यू, एस. एट अल. भौतिक रूप से सूचित तंत्रिका नेटवर्क के साथ वैज्ञानिक मशीन लर्निंग: हम अभी कहाँ हैं और आगे क्या होगा। जर्नल ऑफ़ साइंस। कैलकुलेट। 92, 88 (2022)।
दुरैसामी, के., याकारिनो, जी., और ज़ियाओ, एच. डेटा युग में अशांति मॉडलिंग। एन.एन. 51, 357–377 (2019) का संशोधित संस्करण।
डुर्रान, डी.आर. भूभौतिकीय हाइड्रोडायनामिक्स में तरंग समीकरणों को हल करने के लिए संख्यात्मक विधियाँ, खंड 32 (स्प्रिंगर, 2013)।
मिश्रा, एस. अंतर समीकरणों के डेटा-संचालित गणना में तेजी लाने के लिए एक मशीन लर्निंग फ्रेमवर्क। गणित। इंजीनियर। https://doi.org/10.3934/Mine.2018.1.118 (2018)।
कोचिकोव डी. एट अल. मशीन लर्निंग - कम्प्यूटेशनल द्रव गतिकी का त्वरण। प्रक्रिया। राष्ट्रीय विज्ञान अकादमी। विज्ञान। यूएस 118, e2101784118 (2021)।
कडप्पा, के. कंप्यूटर विज्ञान और इंजीनियरिंग के लिए मशीन लर्निंग - एक संक्षिप्त परिचय और कुछ प्रमुख मुद्दे। प्रीप्रिंट https://arxiv.org/abs/2112.12054 (2021) पर उपलब्ध है।
रॉस, ए., ली, ज़ेड., पेरेज़ोगिन, पी., फर्नांडीज-ग्रांडा, सी., और ज़ाना, एल. आदर्श मॉडलों में मशीन लर्निंग महासागर सबग्रिड पैरामीटराइज़ेशन का तुलनात्मक विश्लेषण। जे.एडवांस मॉडल। पृथ्वी प्रणाली। 15. e2022MS003258 (2023)।
लिपे, पी., वीलिंग, बी., पेर्डिकारिस, पी., टर्नर, आर., और ब्रांडस्टेटर, जे. पीडीई शोधन: न्यूरल पीडीई सॉल्वर के साथ सटीक लंबे एक्सट्रूज़न प्राप्त करना। न्यूरल सूचना प्रसंस्करण प्रणालियों पर 37वां सम्मेलन (न्यूरआईपीएस 2023)।
फ्रैचस, पीआर एट अल. जटिल स्थानिक गतिशीलता की भविष्यवाणी के लिए आवर्तक तंत्रिका नेटवर्क में बैकप्रोपेगेशन एल्गोरिदम और जलाशय गणना। तंत्रिका नेटवर्क। 126, 191–217 (2020)।
रईसी, एम., पेर्डिकारिस, पी. और कार्नियाडाकिस, जीई भौतिकी, कंप्यूटर विज्ञान, तंत्रिका नेटवर्क: गैर-रेखीय आंशिक अंतर समीकरणों से जुड़ी अग्रगामी और व्युत्क्रम समस्याओं को हल करने के लिए एक गहन शिक्षण ढाँचा। जे. कंप्यूटर भौतिकी। 378, 686–707 (2019)।
ग्रॉसमैन, टीजी, कोमोरोव्स्का, यूजे, लुट्ज़, जे., और शॉनलीब, के.-बी. क्या भौतिकी-आधारित तंत्रिका नेटवर्क परिमित तत्व विधियों से बेहतर प्रदर्शन कर सकते हैं? आईएमए जे. अनुप्रयोग। गणित। 89, 143–174 (2024)।
डे ला माता, एफएफ, गिजन, ए., मोलिना-सोलाना, एम., और गोमेज़-रोमेरो, जे. डेटा-संचालित मॉडलिंग के लिए भौतिकी-आधारित तंत्रिका नेटवर्क: लाभ, सीमाएँ और अवसर। भौतिकी। ए 610, 128415 (2023)।
ज़ुआंग, पी.-वाई. और बारबा, एल.ए. द्रव मॉडलिंग में भौतिकी-आधारित तंत्रिका नेटवर्क पर एक अनुभवजन्य रिपोर्ट: नुकसान और निराशाएँ। प्रीप्रिंट https://arxiv.org/abs/2205.14249 (2022) पर उपलब्ध है।
झुआंग, पी.-वाई. और बारबा, एल.ए. भंवर निर्माण पर भौतिक रूप से सूचित तंत्रिका नेटवर्क की पूर्वानुमानित सीमाएँ। प्रीप्रिंट https://arxiv.org/abs/2306.00230 (2023) पर उपलब्ध है।
वांग, एस., यू, एच., और पेर्डिकारिस, पी. पिन कब और क्यों प्रशिक्षित होने में विफल होते हैं: एक तंत्रिका स्पर्शज्या नाभिक परिप्रेक्ष्य। जे. कंप्यूटर भौतिकी। 449, 110768 (2022)।
कृष्णप्रियण, ए., घोलामी, ए., झे, एस., किर्बी, आर., और महोनी, एमडब्ल्यू भौतिक सूचना तंत्रिका नेटवर्क में संभावित विफलता मोड की विशेषताएं। तंत्रिका सूचना प्रसंस्करण प्रणालियों पर 35वां सम्मेलन खंड 34, 26548-26560 (न्यूरआईपीएस 2021)।
बसीर, एस. और सेनोकक, आई. भौतिकी-आधारित तंत्रिका नेटवर्क में विफलता के तरीकों का एक महत्वपूर्ण अध्ययन। एआईएए एससीआईटीईसी 2022 फोरम 2353 (एआरके, 2022) में।
कर्णकोव पी., लिट्विनोव एस. और कौमौत्साकोस पी. असतत हानियों को अनुकूलित करके भौतिक व्युत्क्रम समस्याओं का समाधान: तंत्रिका नेटवर्क के बिना तेज़ और सटीक अधिगम। प्रक्रिया। राष्ट्रीय विज्ञान अकादमी। विज्ञान। नेक्सस 3, pgae005 (2024)।
गुंडर्सन ओ.ई. पुनरुत्पादनशीलता के मूल सिद्धांत। फिल.क्रॉस। आर. शुकर। ए 379, 20200210 (2021)।
अरोमाटेरिस ई और पियर्सन ए. व्यवस्थित समीक्षाएँ: एक अवलोकन। हाँ। जे. नर्सिंग 114, 53–58 (2014)।
मैगिएरा, जे., रे, डी., हेस्थवेन, जेएस, और रोहडे, के. रीमैन समस्या के लिए बाधा-जागरूक तंत्रिका नेटवर्क। जे. कंप्यूटर भौतिकी। 409, 109345 (2020)।
बेजगिन डी.ए., श्मिट एस.जे. और एडम्स एन.ए. गैर-शास्त्रीय कम वोल्टेज झटकों के लिए डेटा-संचालित भौतिक रूप से सूचित परिमित आयतन सर्किट। जे. कंप्यूटर भौतिकी। 437, 110324 (2021)।