कमकुवत बेसलाइन आणि रिपोर्टिंग बायसमुळे द्रव-संबंधित आंशिक विभेदक समीकरणांच्या मशीन लर्निंगमध्ये अति-आशावाद निर्माण होतो.

Nature.com ला भेट दिल्याबद्दल धन्यवाद. तुम्ही वापरत असलेल्या ब्राउझरच्या आवृत्तीला मर्यादित CSS सपोर्ट आहे. सर्वोत्तम परिणामांसाठी, आम्ही शिफारस करतो की तुम्ही तुमच्या ब्राउझरची नवीन आवृत्ती वापरा (किंवा इंटरनेट एक्सप्लोररमध्ये कंपॅटिबिलिटी मोड अक्षम करा). दरम्यान, सतत सपोर्ट सुनिश्चित करण्यासाठी, आम्ही स्टाइलिंग किंवा जावास्क्रिप्टशिवाय साइट दाखवत आहोत.
संगणकीय भौतिकशास्त्रातील मशीन लर्निंगच्या सर्वात आशादायक अनुप्रयोगांपैकी एक म्हणजे आंशिक विभेदक समीकरणे (PDEs) चे प्रवेगक समाधान. मशीन लर्निंग-आधारित आंशिक विभेदक समीकरण सोडवणाराचा मुख्य उद्देश म्हणजे मानक संख्यात्मक पद्धतींपेक्षा अचूक आणि बेसलाइन तुलना म्हणून काम करण्यासाठी पुरेसे जलद उपाय तयार करणे. आम्ही प्रथम आंशिक विभेदक समीकरणे सोडवण्यावर मशीन लर्निंग साहित्याचा पद्धतशीर आढावा घेतो. द्रव आंशिक विभेदक समीकरणे सोडवण्यासाठी ML चा वापर नोंदवणाऱ्या आणि मानक संख्यात्मक पद्धतींपेक्षा श्रेष्ठतेचा दावा करणाऱ्या सर्व पेपर्सपैकी, आम्ही कमकुवत बेसलाइनच्या तुलनेत 79% (60/76) ओळखले. दुसरे म्हणजे, आम्हाला व्यापक रिपोर्टिंग बायसचे पुरावे आढळले, विशेषतः निकाल रिपोर्टिंग आणि प्रकाशन बायसमध्ये. आम्ही असा निष्कर्ष काढतो की आंशिक विभेदक समीकरणे सोडवण्यावरील मशीन लर्निंग संशोधन अती आशावादी आहे: कमकुवत इनपुट डेटा अती सकारात्मक परिणाम देऊ शकतो आणि रिपोर्टिंग बायस नकारात्मक परिणामांचे अंडररिपोर्टिंग करू शकतो. मोठ्या प्रमाणात, या समस्या भूतकाळातील पुनरुत्पादनक्षमता संकटांसारख्या घटकांमुळे उद्भवतात असे दिसते: अन्वेषक विवेक आणि सकारात्मक परिणाम बायस. आम्ही पक्षपाती रिपोर्टिंग कमी करण्यासाठी तळाशी-वर सांस्कृतिक बदल आणि असे करण्यासाठी विकृत प्रोत्साहन कमी करण्यासाठी वर-खाली संरचनात्मक सुधारणा करण्याची मागणी करतो.
पद्धतशीर पुनरावलोकनाद्वारे तयार केलेल्या लेखकांची आणि लेखांची यादी, तसेच यादृच्छिक नमुन्यातील प्रत्येक लेखाचे वर्गीकरण, https://doi.org/10.17605/OSF.IO/GQ5B3 (संदर्भ १२४) वर सार्वजनिकरित्या उपलब्ध आहे.
तक्ता २ मधील निकाल पुनरुत्पादित करण्यासाठी आवश्यक असलेला कोड GitHub वर आढळू शकतो: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (संदर्भ १२५) आणि कोड ओशन वर: https://codeocean.com/capsule/9605539/Tree/ v1 (लिंक १२६) आणि https://codeocean.com/capsule/0799002/tree/v1 (लिंक १२७).
रँडल, डी., आणि वेल्सर, के., आधुनिक विज्ञानातील अपरिवर्तनीयता संकट: सुधारणांचे कारणे, परिणाम आणि मार्ग (नॅशनल असोसिएशन ऑफ सायंटिस्ट्स, २०१८).
रिची, एस. सायन्स फिक्शन: फसवणूक, पक्षपात, शांतता आणि प्रचार सत्याच्या शोधात कसा अडथळा आणतात (विंटेज, २०२०).
खुले वैज्ञानिक सहकार्य. मानसशास्त्रीय विज्ञानात पुनरुत्पादनक्षमतेचे मूल्यांकन. विज्ञान 349, AAAC4716 (2015).
प्रिंझ, एफ., श्लांज, टी., आणि असदुल्लाह, के. विश्वास ठेवा किंवा ठेवू नका: संभाव्य औषध लक्ष्यांवरील प्रकाशित डेटावर आपण किती अवलंबून राहू शकतो? नॅट. रेव्ह. "ड्रग्जचा शोध." १०, ७१२ (२०११).
बेगले, केजी आणि एलिस, एलएम प्रीक्लिनिकल कर्करोग संशोधनात मानके वाढवणे. नेचर ४८३, ५३१–५३३ (२०१२).
ए. गेलमन आणि ई. लोकेन, द गार्डन ऑफ फोर्किंग पाथ्स: "फिशिंग एक्सपिडिशन" किंवा "पी-हॅक्स" आणि प्रीफॉर्म्ड रिसर्च हायपोथेसिसशिवायही अनेक तुलना एक समस्या का आहेत, खंड ३४८, १-१७ (सांख्यिकी विभाग, २०१३).
कारागिओर्गी, जी., कासेका, जी., क्रॅविट्झ, एस., नॅचमन, बी., आणि शी, डी. नवीन मूलभूत भौतिकशास्त्राच्या शोधात मशीन लर्निंग. नॅशनल. भौतिकशास्त्रातील डॉक्टर ऑफ फिलॉसॉफी. ४, ३९९–४१२ (२०२२).
दारा एस, डॅमरचेर्ला एस, जाधव एसएस, बाबू सीएम आणि अहसान एमजे. औषध शोधात मशीन लर्निंग: एक पुनरावलोकन. आतिफ. इंटेल. एड. ५५, १९४७–१९९९ (२०२२).
माथर, एएस आणि कूट, एमएल रसायनशास्त्रातील सखोल शिक्षण. जे. रसायनशास्त्र. अधिसूचित करा. मॉडेल. ५९, २५४५–२५५९ (२०१९).
राजकोमर ए., डीन जे. आणि कोहान आय. मेडिसिनमधील मशीन लर्निंग. न्यू इंग्लंड जर्नल ऑफ मेडिसिन. ३८०, १३४७–१३५८ (२०१९).
ग्रिमर जे, रॉबर्ट्स एमई. आणि स्टीवर्ट बीएम. सामाजिक शास्त्रांमध्ये मशीन लर्निंग: एक अज्ञेयवादी दृष्टिकोन. रेव्ह. अँन बॉल. विज्ञान. २४, ३९५–४१९ (२०२१).
जंप, जे. आणि इतर. अल्फाफोल्ड वापरून अत्यंत अचूक प्रथिने संरचनेचे भाकित करा. नेचर ५९६, ५८३–५८९ (२०२१).
गुंडरसन, ओई, कोकली, के., किर्कपॅट्रिक, के., आणि गिल, वाय. मशीन लर्निंगमध्ये अपरिवर्तनीयतेचे स्रोत: एक पुनरावलोकन. प्रीप्रिंट https://arxiv.org/abs/2204.07610 (२०२२) वर उपलब्ध आहे.
स्कली, डी., स्नूक, जे., विल्ट्स्को, ए., आणि रहीमी, ए. विजेत्याचा शाप? अनुभवजन्य पुराव्याच्या गती, प्रगती आणि कठोरतेवर (ICLR, २०१८).
आर्मस्ट्राँग, टीजी, मोफॅट, ए., वेबर, डब्ल्यू., आणि झोबेल, जे. नॉन-अ‍ॅडिटिव्ह एन्हांसमेंट्स: १९९८ पासून प्राथमिक शोध निकाल. माहिती आणि ज्ञान व्यवस्थापनावरील १८ वी एसीएम परिषद ६०१-६१० (एसीएम २००९).
कपूर, एस. आणि नारायणन, ए. मशीन लर्निंग-आधारित विज्ञानातील गळती आणि पुनरुत्पादनक्षमतेचे संकट. पॅटर्न, ४, १००८०४ (२०२३).
कपूर एस. आणि इतर. सुधारणा: मशीन लर्निंगवर आधारित वैज्ञानिक रिपोर्टिंग मानके. प्रीप्रिंट https://arxiv.org/abs/2308.07832 (२०२३) वर उपलब्ध आहे.
डेमासी, ओ., कॉर्डिंग, सी., आणि रेच्ट, बी. अर्थहीन तुलना वैद्यकीय मशीन लर्निंगमध्ये खोट्या आशावादाला कारणीभूत ठरू शकतात. प्लॉस वन १२, e0184604 (२०१७).
रॉबर्ट्स, एम., आणि इतर. छातीच्या एक्स-रे आणि संगणकीय टोमोग्राफीद्वारे COVID-19 शोधण्यासाठी आणि अंदाज लावण्यासाठी मशीन लर्निंग वापरण्यासाठी सामान्य तोटे आणि सर्वोत्तम पद्धती. नॅट. मॅक्स. इंटेल. 3, 199–217 (2021).
विनांट्झ एल. आणि इतर. कोविड-१९ च्या निदान आणि रोगनिदानासाठी भाकित मॉडेल्स: एक पद्धतशीर पुनरावलोकन आणि गंभीर मूल्यांकन. BMJ 369, m1328 (2020).
व्हेलन एस., श्रेबर जे., नोबल डब्ल्यूएस आणि पोलार्ड केएस जीनोमिक्समध्ये मशीन लर्निंग वापरण्याच्या अडचणींवर मात करत आहेत. नॅट. पास्टर जिनेट. २३, १६९–१८१ (२०२२).
अ‍ॅट्रिस एन. आणि इतर. रसायनशास्त्रातील मशीन लर्निंगसाठी सर्वोत्तम पद्धती. नॅट. केमिकल. १३, ५०५–५०८ (२०२१).
ब्रंटन एसएल आणि कुट्झ जेएन आंशिक विभेदक समीकरणांच्या मशीन लर्निंगसाठी आश्वासन देणारे दिशानिर्देश. नॅशनल. कॅल्क्युलेट. सायन्स. ४, ४८३–४९४ (२०२४).
व्हिन्युसा, आर. आणि ब्रंटन, एसएल मशीन लर्निंगद्वारे संगणकीय द्रव गतिमानता सुधारणे. नॅशनल. कॅल्क्युलेट. सायन्स. २, ३५८–३६६ (२०२२).
कोमेउ, एस. आणि इतर. भौतिकदृष्ट्या माहिती असलेल्या न्यूरल नेटवर्क्ससह वैज्ञानिक मशीन लर्निंग: आपण आता कुठे आहोत आणि पुढे काय आहे. जे. सायन्स. कॅल्क्युलेट. ९२, ८८ (२०२२).
दुरैसामी, के., याकारिनो, जी., आणि झियाओ, एच. डेटा युगातील टर्ब्युलेन्स मॉडेलिंग. अ‍ॅन. ५१, ३५७–३७७ (२०१९) ची सुधारित आवृत्ती.
डुरान, डीआर भूभौतिकीय हायड्रोडायनामिक्समध्ये लहरी समीकरणे सोडवण्यासाठी संख्यात्मक पद्धती, खंड ३२ (स्प्रिंगर, २०१३).
मिश्रा, एस. विभेदक समीकरणांच्या डेटा-चालित गणनेला गती देण्यासाठी एक मशीन लर्निंग फ्रेमवर्क. गणित. अभियंता. https://doi.org/10.3934/Mine.2018.1.118 (२०१८).
कोचिकोव्ह डी. एट अल. मशीन लर्निंग - संगणकीय द्रव गतिमानतेचे प्रवेग. प्रक्रिया. राष्ट्रीय विज्ञान अकादमी. विज्ञान. यूएस ११८, e२१०१७८४११८ (२०२१).
कडप्पा, के. संगणक विज्ञान आणि अभियांत्रिकीसाठी मशीन लर्निंग - एक संक्षिप्त परिचय आणि काही प्रमुख मुद्दे. प्रीप्रिंट https://arxiv.org/abs/2112.12054 (२०२१) वर उपलब्ध आहे.
रॉस, ए., ली, झेड., पेरेझोगिन, पी., फर्नांडिस-ग्रांडा, सी., आणि झन्ना, एल. आदर्श मॉडेल्समध्ये मशीन लर्निंग महासागर सबग्रिड पॅरामीटरायझेशनचे तुलनात्मक विश्लेषण. जे. अ‍ॅड. मॉडेल. पृथ्वी प्रणाली. १५. e2022MS003258 (२०२३).
लिप्पे, पी., विलिंग, बी., पेर्डिकारिस, पी., टर्नर, आर., आणि ब्रँडस्टेटर, जे. पीडीई रिफाइनमेंट: न्यूरल पीडीई सॉल्व्हरसह अचूक लांब एक्सट्रूझन साध्य करणे. न्यूरल इन्फॉर्मेशन प्रोसेसिंग सिस्टम्सवरील ३७ वी परिषद (न्यूरआयपीएस २०२३).
फ्राचास, पीआर आणि इतर. जटिल स्पॅटिओटेम्पोरल डायनॅमिक्सचा अंदाज लावण्यासाठी रिकरंट न्यूरल नेटवर्क्समध्ये बॅकप्रोपॅगेशन अल्गोरिदम आणि रिझर्व्होअर कॅल्क्युलेशन. न्यूरल नेटवर्क. १२६, १९१–२१७ (२०२०).
रायसी, एम., पेर्डिकारिस, पी. आणि कार्नियाडाकिस, जीई भौतिकशास्त्र, संगणक विज्ञान, न्यूरल नेटवर्क्स: नॉनलाइनर आंशिक विभेदक समीकरणांसह फॉरवर्ड आणि इनव्हर्स समस्या सोडवण्यासाठी एक सखोल शिक्षण चौकट. जे. संगणक. भौतिकशास्त्र. ३७८, ६८६–७०७ (२०१९).
ग्रॉसमन, टीजी, कोमोरोव्स्का, यूजे, लुट्झ, जे., आणि शॉनलिब, के.-बी. भौतिकशास्त्र-आधारित न्यूरल नेटवर्क्स मर्यादित घटक पद्धतींपेक्षा चांगले कामगिरी करू शकतात का? आयएमए जे. अनुप्रयोग. गणित. ८९, १४३–१७४ (२०२४).
डे ला माटा, एफएफ, गिजॉन, ए., मोलिना-सोलाना, एम., आणि गोमेझ-रोमेरो, जे. डेटा-चालित मॉडेलिंगसाठी भौतिकशास्त्र-आधारित न्यूरल नेटवर्क्स: फायदे, मर्यादा आणि संधी. भौतिकशास्त्र. ए ६१०, १२८४१५ (२०२३).
झुआंग, पी.-वाय. आणि बार्बा, एलए. फ्लुइड मॉडेलिंगमधील भौतिकशास्त्र-आधारित न्यूरल नेटवर्क्सवरील एक अनुभवजन्य अहवाल: तोटे आणि निराशा. प्रीप्रिंट https://arxiv.org/abs/2205.14249 (२०२२) वर उपलब्ध आहे.
झुआंग, पी.-वाय. आणि बार्बा, एलए. व्हर्टेक्स निर्मितीवर शारीरिकदृष्ट्या माहिती असलेल्या न्यूरल नेटवर्क्सच्या भाकित मर्यादा. प्रीप्रिंट https://arxiv.org/abs/2306.00230 (2023) वर उपलब्ध आहे.
वांग, एस., यू, एच., आणि पेर्डिकारिस, पी. पिन्स कधी आणि का प्रशिक्षित होण्यास अयशस्वी होतात: एक न्यूरल टॅन्जेंट न्यूक्लियस दृष्टीकोन. जे. संगणक. भौतिकशास्त्र. ४४९, ११०७६८ (२०२२).
कृष्णप्रियन, ए., घोलामी, ए., झे, एस., किर्बी, आर., आणि महोनी, एमडब्ल्यू भौतिक माहिती तंत्रिका नेटवर्कमधील संभाव्य अपयश मोडची वैशिष्ट्ये. न्यूरल माहिती प्रक्रिया प्रणालींवरील ३५ वी परिषद खंड ३४, २६५४८–२६५६० (न्यूरआयपीएस २०२१).
बसीर, एस. आणि सेनोकॅक, आय. भौतिकशास्त्र-आधारित न्यूरल नेटवर्क्समधील अपयश मोड्सचा एक गंभीर अभ्यास. AiAA SCITECH 2022 फोरम 2353 (ARK, 2022) मध्ये.
कर्णकोव्ह पी., लिटव्हिनोव्ह एस. आणि कौमुत्साकोस पी. डिस्क्रिट लॉसेस ऑप्टिमायझ करून भौतिक व्यस्त समस्या सोडवणे: न्यूरल नेटवर्कशिवाय जलद आणि अचूक शिक्षण. प्रक्रिया. नॅशनल अकादमी ऑफ सायन्सेस. विज्ञान. नेक्सस 3, pgae005 (2024).
गुंडरसन ओई पुनरुत्पादनक्षमतेची मूलभूत तत्त्वे. फिल.क्रॉस. आर. शुकर. ए ३७९, २०२००२१० (२०२१).
अ‍ॅरोमाटारिस ई आणि पिअर्सन ए. सिस्टीमॅटिक पुनरावलोकने: एक आढावा. हो. जे. नर्सिंग ११४, ५३–५८ (२०१४).
मॅगिएरा, जे., रे, डी., हेस्थेवन, जेएस, आणि रोहडे, के. रिमन समस्येसाठी कंस्ट्रेंट-अवेअर न्यूरल नेटवर्क्स. जे. संगणक. भौतिकशास्त्र. ४०९, १०९३४५ (२०२०).
बेझगिन डीए, श्मिट एसजे आणि अॅडम्स एनए. नॉन-क्लासिकल रिड्यूस्ड व्होल्टेज शॉकसाठी डेटा-चालित भौतिकदृष्ट्या माहितीपूर्ण मर्यादित व्हॉल्यूम सर्किट. जे. संगणक. भौतिकशास्त्र. ४३७, ११०३२४ (२०२१).