ڪمزور بيس لائينون ۽ رپورٽنگ تعصب، فلوئڊ سان لاڳاپيل جزوي فرق واري مساواتن جي مشين لرننگ ۾ وڌيڪ اميد پرستي جو سبب بڻجن ٿا.

Nature.com تي اچڻ لاءِ مهرباني. توهان جي استعمال ڪيل برائوزر جي ورزن ۾ محدود CSS سپورٽ آهي. بهترين نتيجن لاءِ، اسان سفارش ڪريون ٿا ته توهان پنهنجي برائوزر جو نئون ورزن استعمال ڪريو (يا انٽرنيٽ ايڪسپلورر ۾ مطابقت واري موڊ کي غير فعال ڪريو). ساڳئي وقت، جاري سپورٽ کي يقيني بڻائڻ لاءِ، اسان سائيٽ کي اسٽائلنگ يا جاوا اسڪرپٽ کان سواءِ ڏيکاري رهيا آهيون.
ڪمپيوٽيشنل فزڪس ۾ مشين لرننگ جي سڀ کان وڌيڪ اميد افزا ايپليڪيشنن مان هڪ جزوي فرق مساوات (PDEs) جو تيز حل آهي. مشين لرننگ تي ٻڌل جزوي فرق مساوات حل ڪندڙ جو مکيه مقصد اهو حل پيدا ڪرڻ آهي جيڪي معياري عددي طريقن کان ڪافي تيز آهن ته جيئن بنيادي مقابلي جي طور تي ڪم ڪري سگهجي. اسان پهريان جزوي فرق مساوات کي حل ڪرڻ تي مشين لرننگ ادب جو هڪ منظم جائزو وٺون ٿا. سڀني پيپرز مان جيڪي فلوئڊ جزوي فرق مساوات کي حل ڪرڻ لاءِ ML جي استعمال جي رپورٽ ڪن ٿا ۽ معياري عددي طريقن تي برتري جو دعويٰ ڪن ٿا، اسان ڪمزور بيس لائينز جي مقابلي ۾ 79٪ (60/76) جي سڃاڻپ ڪئي. ٻيو، اسان کي وسيع رپورٽنگ تعصب جا ثبوت مليا، خاص طور تي نتيجن جي رپورٽنگ ۽ اشاعت جي تعصب ۾. اسان اهو نتيجو ڪڍون ٿا ته جزوي فرق مساوات کي حل ڪرڻ تي مشين لرننگ تحقيق تمام گهڻي پراميد آهي: ڪمزور ان پٽ ڊيٽا تمام گهڻو مثبت نتيجا ڏئي سگهي ٿو، ۽ رپورٽنگ تعصب منفي نتيجن جي گهٽ رپورٽنگ جو سبب بڻجي سگهي ٿو. وڏي حصي ۾، اهي مسئلا ماضي جي پيداواري بحرانن سان ملندڙ جلندڙ عنصرن جي ڪري ظاهر ٿين ٿا: جاچ ڪندڙ صوابديد ۽ مثبت نتيجن جو تعصب. اسان تعصب واري رپورٽنگ کي گهٽائڻ لاءِ هيٺئين کان مٿي ثقافتي تبديلي ۽ مٿي کان هيٺ structural سڌارن جو مطالبو ڪريون ٿا ته جيئن اهو ڪرڻ لاءِ خراب ترغيب کي گهٽائي سگهجي.
منظم جائزي ذريعي تيار ڪيل ليکڪن ۽ مضمونن جي فهرست، انهي سان گڏ بي ترتيب نموني ۾ هر مضمون جي درجه بندي، عوامي طور تي https://doi.org/10.17605/OSF.IO/GQ5B3 (حوالو 124) تي دستياب آهي.
جدول 2 ۾ نتيجن کي ٻيهر پيدا ڪرڻ لاءِ گهربل ڪوڊ GitHub تي ملي سگهي ٿو: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (حوالو 125) ۽ ڪوڊ اوشن تي: https://codeocean.com/capsule/9605539/Tree/ v1 (لنڪ 126) ۽ https://codeocean.com/capsule/0799002/tree/v1 (لنڪ 127).
رينڊل، ڊي.، ۽ ويلسر، ڪي.، جديد سائنس ۾ ناقابلِ پيداوار بحران: سبب، نتيجا، ۽ سڌاري جا رستا (نيشنل ايسوسيئيشن آف سائنسدان، 2018).
رچي، ايس. سائنس فڪشن: ڪيئن دوکو، تعصب، خاموشي، ۽ هائپ سچ جي ڳولا کي ڪمزور ڪن ٿا (ونٽيج، 2020).
کليل سائنسي تعاون. نفسياتي سائنس ۾ پيداوار جي صلاحيت جو جائزو. سائنس 349، AAAC4716 (2015).
پرنز، ايف.، شلانج، ٽي.، ۽ اسدالله، ڪي. يقين ڪريو يا نه: اسان ممڪن دوا جي هدفن تي شايع ٿيل ڊيٽا تي ڪيترو ڀروسو ڪري سگهون ٿا؟ نيٽ. ريورنڊ "دوائن جي دريافت." 10، 712 (2011).
بيگلي، ڪي جي ۽ ايلس، ايل ايم پري ڪلينڪل ڪينسر ريسرچ ۾ معيار وڌائڻ. فطرت 483، 531-533 (2012).
اي. گيلمين ۽ اي. لوڪن، دي گارڊن آف فورڪنگ پاٿس: ڇو گھڻا مقابلو هڪ مسئلو آهن جيتوڻيڪ "مڇي مارڻ جي مهم" يا "پي-هيڪ" ۽ اڳواٽ تحقيقي مفروضا، جلد 348، 1-17 (محڪمو شماريات، 2013).
ڪاراگيورجئي، جي.، ڪيسيڪا، جي.، ڪراوٽز، ايس.، ناچمن، بي.، ۽ شي، ڊي. نئين بنيادي فزڪس جي ڳولا ۾ مشين لرننگ. نيٽ. فزڪس ۾ ڊاڪٽر آف فلاسافي. 4، 399–412 (2022).
دارا ايس، ڊيمرچرلا ايس، جادھو ايس ايس، بابو سي ايم ۽ احسن ايم جي. دوا جي دريافت ۾ مشين لرننگ: هڪ جائزو. عاطف. انٽيل. ايڊ. 55، 1947-1999 (2022).
ميٿر، اي ايس ۽ ڪوٽ، ايم ايل ڪيمسٽري ۾ ڊيپ لرننگ. جي. ڪيمسٽري. نوٽيفائي ڪريو. ماڊل. 59، 2545–2559 (2019).
راجڪمار اي.، ڊين جي. ۽ ڪوهان آءِ. دوائن ۾ مشين لرننگ. نيو انگلينڊ جرنل آف ميڊيسن. 380، 1347–1358 (2019).
گريمر جي، رابرٽس ايم اي. ۽ اسٽيورٽ بي ايم سماجي سائنس ۾ مشين لرننگ: هڪ اگنوسٽڪ اپروچ. ريورنڊ اين بال. سائنس. 24، 395–419 (2021).
جمپ، جي. وغيره. الفافولڊ استعمال ڪندي انتهائي صحيح پروٽين جي جوڙجڪ جون اڳڪٿيون ڪريو. نيچر 596، 583-589 (2021).
گنڊرسن، او اي، ڪوڪلي، ڪي.، ڪرڪ پيٽرڪ، ڪي.، ۽ گل، وائي. مشين لرننگ ۾ ناقابل پيداواري جا ذريعا: هڪ جائزو. پري پرنٽ https://arxiv.org/abs/2204.07610 (2022) تي موجود آهي.
اسڪلي، ڊي.، سنوڪ، جي.، ولٽسڪو، اي.، ۽ رحيمي، اي. فاتح جي لعنت؟ تجرباتي ثبوتن جي رفتار، ترقي ۽ سختي تي (ICLR، 2018).
آرمسٽرانگ، ٽي جي، موفٽ، اي.، ويببر، ڊبليو، ۽ زوبيل، جي. غير اضافي واڌارو: 1998 کان وٺي ابتدائي ڳولا جا نتيجا. 18 هين ACM ڪانفرنس آن انفارميشن اينڊ نالج مئنيجمينٽ 601-610 (ACM 2009).
ڪپور، ايس. ۽ نارائنن، اي. مشين لرننگ تي ٻڌل سائنس ۾ رساو ۽ پيداواري بحران. پيٽرن، 4، 100804 (2023).
ڪپور ايس. وغيره. سڌارو: مشين لرننگ تي ٻڌل سائنسي رپورٽنگ معيار. پري پرنٽ https://arxiv.org/abs/2308.07832 (2023) تي موجود آهي.
ڊي ماسي، او.، ڪارڊنگ، سي.، ۽ ريچٽ، بي. بي معنيٰ مقابلو طبي مشين لرننگ ۾ غلط اميد پيدا ڪري سگهي ٿو. PloS ONE 12، e0184604 (2017).
رابرٽس، ايم.، وغيره. سينه جي ايڪس ري ۽ ڪمپيوٽيڊ ٽوموگرافي مان COVID-19 کي ڳولڻ ۽ اڳڪٿي ڪرڻ لاءِ مشين لرننگ استعمال ڪرڻ لاءِ عام نقصان ۽ بهترين طريقا. نيٽ. ميڪس. انٽيل. 3، 199-217 (2021).
ونانٽز ايل. ۽ ٻيا. COVID-19 جي تشخيص ۽ اڳڪٿي لاءِ اڳڪٿي ڪندڙ ماڊل: هڪ منظم جائزو ۽ تنقيدي جائزو. BMJ 369، m1328 (2020).
ويلن ايس، شريبر جي.، نوبل ڊبليو ايس ۽ پولارڊ ڪي ايس جينومڪس ۾ مشين لرننگ جي استعمال جي نقصانن تي قابو پائڻ. نيٽ. پادري گينيٽ. 23، 169-181 (2022).
ڪيمسٽري ۾ مشين لرننگ لاءِ ايٽريس اين. ۽ ٻيا بهترين طريقا. نيٽ ڪيميڪل. 13، 505-508 (2021).
برنٽن ايس ايل ۽ ڪٽز جي اين جزوي فرق جي مساواتن جي مشين لرننگ لاءِ واعدو ڪندڙ هدايتون. نيٽ. ڪيلڪيوليوٽ. سائنس. 4، 483–494 (2024).
وينيوسا، آر. ۽ برنٽن، ايس ايل مشين لرننگ ذريعي ڪمپيوٽيشنل فلوئڊ ڊائنامڪس کي بهتر بڻائڻ. نيٽ. ڪيلڪيوليوٽ. سائنس. 2، 358–366 (2022).
ڪومو، ايس. وغيره. جسماني طور تي باخبر نيورل نيٽ ورڪن سان سائنسي مشين لرننگ: اسان هاڻي ڪٿي آهيون ۽ اڳتي ڇا آهي. جي. سائنس. حساب ڪريو. 92، 88 (2022).
ڊوريسامي، ڪي.، ياڪارينو، جي.، ۽ شيائو، ايڇ. ڊيٽا دور ۾ ٽربولنس ماڊلنگ. اين. 51، 357–377 (2019) جو نظرثاني ٿيل ايڊيشن.
ڊورن، ڊي آر جيو فزيڪل هائيڊروڊائنامڪس ۾ لهرن جي مساواتن کي حل ڪرڻ لاءِ عددي طريقا، جلد 32 (اسپرنگر، 2013).
مشرا، ايس. فرق جي مساواتن جي ڊيٽا تي هلندڙ ڪمپيوٽيشن کي تيز ڪرڻ لاءِ هڪ مشين لرننگ فريم ورڪ. رياضي. انجنيئر. https://doi.org/10.3934/Mine.2018.1.118 (2018).
ڪوچيڪوف ڊي. وغيره. مشين لرننگ - ڪمپيوٽيشنل فلوئڊ ڊائنامڪس جي تيز رفتاري. عمل. نيشنل اڪيڊمي آف سائنسز. سائنس. يو ايس 118، e2101784118 (2021).
ڪڊپا، ڪي. ڪمپيوٽر سائنس ۽ انجنيئرنگ لاءِ مشين لرننگ - هڪ مختصر تعارف ۽ ڪجهه اهم مسئلا. پري پرنٽ https://arxiv.org/abs/2112.12054 (2021) تي موجود آهي.
راس، اي.، لي، زي.، پيريزوگين، پي.، فرنينڊيز-گرانڊا، سي.، ۽ زنا، ايل. مثالي ماڊلز ۾ مشين لرننگ سامونڊي سب گرڊ پيرا ميٽرائيزيشن جو تقابلي تجزيو. جي. ايڊو. ماڊل. زميني نظام. 15. e2022MS003258 (2023).
لپ، پي.، ويلنگ، بي.، پرديڪاريس، پي.، ٽرنر، آر.، ۽ برانڊ اسٽيٽر، جي. پي ڊي اي ريفائنمينٽ: نيورل پي ڊي اي سولور سان صحيح ڊگھي ايڪسٽروشن حاصل ڪرڻ. نيورل انفارميشن پروسيسنگ سسٽم تي 37 هين ڪانفرنس (نيوري آئي پي ايس 2023).
فريچاس، پي آر ۽ ٻيا. پيچيده اسپيٽيوٽيمپورل ڊائنامڪس جي اڳڪٿي ڪرڻ لاءِ بار بار ٿيندڙ نيورل نيٽ ورڪن ۾ بيڪ پروپيگيشن الگورٿم ۽ رزروائر ڪيلڪيوليشن. نيورل نيٽ ورڪ. 126، 191-217 (2020).
رئيسي، ايم.، پرديڪاريس، پي. ۽ ڪارنياڊاڪس، جي اي فزڪس، ڪمپيوٽر سائنس، نيورل نيٽ ورڪ: غير لڪير جزوي فرق مساواتن سان لاڳاپيل فارورڊ ۽ انورس مسئلن کي حل ڪرڻ لاءِ هڪ گہرے سکيا جو فريم ورڪ. جي. ڪمپيوٽر. فزڪس. 378، 686–707 (2019).
گراسمن، ٽي جي، ڪومورووسڪا، يو جي، لٽز، جي.، ۽ شونليب، ڪي.-بي. ڇا فزڪس تي ٻڌل نيورل نيٽ ورڪ محدود عنصر طريقن کان بهتر ڪارڪردگي ڏيکاري سگهن ٿا؟ آئي ايم اي جي. ايپليڪيشنون. رياضي. 89، 143-174 (2024).
ڊي لا ميٽا، ايف ايف، گيجون، اي.، مولينا-سولانا، ايم.، ۽ گومز-روميرو، جي. ڊيٽا تي هلندڙ ماڊلنگ لاءِ فزڪس تي ٻڌل نيورل نيٽ ورڪ: فائدا، حدون، ۽ موقعا. فزڪس. اي 610، 128415 (2023).
ژوانگ، پي.-وائي. ۽ باربا، ايل اي فلوئڊ ماڊلنگ ۾ فزڪس تي ٻڌل نيورل نيٽ ورڪن تي هڪ تجرباتي رپورٽ: نقصان ۽ مايوسيون. پري پرنٽ https://arxiv.org/abs/2205.14249 (2022) تي موجود آهي.
زوانگ، پي.-وائي. ۽ باربا، ايل اي وورٽيڪس ٺهڻ تي جسماني طور تي باخبر نيورل نيٽ ورڪ جي اڳڪٿي واريون حدون. پري پرنٽ https://arxiv.org/abs/2306.00230 (2023) تي موجود آهي.
وانگ، ايس.، يو، ايڇ.، ۽ پرديڪاريس، پي. ڪڏهن ۽ ڇو پن تربيت ۾ ناڪام ٿين ٿا: هڪ نيورل ٽينجنٽ نيوڪليس پرسپيڪٽو. جي. ڪمپيوٽر. فزڪس. 449، 110768 (2022).
ڪرشنا پريان، اي.، غولامي، اي.، زي، ايس.، ڪربي، آر.، ۽ مهوني، ايم ڊبليو جسماني معلومات جي نيورل نيٽ ورڪن ۾ ممڪن ناڪامي جي طريقن جون خاصيتون. نيورل انفارميشن پروسيسنگ سسٽم تي 35 هين ڪانفرنس جلد 34، 26548–26560 (نيوئر آئي پي ايس 2021).
بصير، ايس. ۽ سينوڪڪ، آءِ. فزڪس تي ٻڌل نيورل نيٽ ورڪن ۾ ناڪامي جي طريقن جو هڪ تنقيدي مطالعو. AiAA SCITECH 2022 فورم 2353 (ARK، 2022) ۾.
ڪرناکوف پي.، لِٽِوِنيوو ايس. ۽ ڪُوموتساڪوس پي. ڊسڪريٽ نقصانن کي بهتر بڻائي جسماني الٽي مسئلن کي حل ڪرڻ: نيورل نيٽ ورڪن کان سواءِ تيز ۽ صحيح سکيا. عمل. نيشنل اڪيڊمي آف سائنسز. سائنس. نيڪسس 3، پي جي اي 005 (2024).
گنڊرسن او اي پيدائش جا بنيادي اصول. فل ڪراس. آر. شڪر. اي 379، 20200210 (2021).
اروماتاريس اي ۽ پيئرسن اي. سسٽماتي جائزو: هڪ جائزو. ها. جي. نرسنگ 114، 53-58 (2014).
ميگيرا، جي.، ري، ڊي.، هيسٽهون، جي ايس، ۽ روهڊ، ڪي. ريمن مسئلي لاءِ پابندي کان آگاهه نيورل نيٽ ورڪ. جي. ڪمپيوٽر. فزڪس. 409، 109345 (2020).
بيزگين ڊي اي، شمٽ ايس جي ۽ ايڊمز اين اي غير ڪلاسيڪل گھٽ وولٽيج شاڪس لاءِ ڊيٽا تي هلندڙ جسماني طور تي باخبر محدود حجم سرڪٽ. جي. ڪمپيوٽر. فزڪس. 437، 110324 (2021).