کمزور بنیادی خطوط اور رپورٹنگ کا تعصب سیال سے متعلق جزوی تفریق مساوات کی مشین لرننگ میں حد سے زیادہ امید پرستی کا باعث بنتا ہے۔

Nature.com پر جانے کا شکریہ۔ براؤزر کا جو ورژن آپ استعمال کر رہے ہیں وہ محدود CSS سپورٹ رکھتا ہے۔ بہترین نتائج کے لیے، ہم تجویز کرتے ہیں کہ آپ اپنے براؤزر کا نیا ورژن استعمال کریں (یا انٹرنیٹ ایکسپلورر میں مطابقت موڈ کو غیر فعال کریں)۔ اس دوران، جاری تعاون کو یقینی بنانے کے لیے، ہم سائٹ کو اسٹائل یا جاوا اسکرپٹ کے بغیر دکھا رہے ہیں۔
کمپیوٹیشنل فزکس میں مشین لرننگ کی سب سے امید افزا ایپلی کیشنز میں سے ایک جزوی تفریق مساوات (PDEs) کا تیز رفتار حل ہے۔ مشین لرننگ پر مبنی جزوی تفریق مساوات حل کرنے والے کا بنیادی ہدف ایسے حل تیار کرنا ہے جو معیاری عددی طریقوں کے مقابلے میں کافی تیزی سے درست ہوں تاکہ بنیادی موازنہ کے طور پر کام کیا جا سکے۔ ہم سب سے پہلے جزوی تفریق مساوات کو حل کرنے پر مشین لرننگ لٹریچر کا ایک منظم جائزہ لیتے ہیں۔ ان تمام کاغذات میں سے جن میں سیال جزوی تفریق مساوات کو حل کرنے اور معیاری عددی طریقوں پر برتری کا دعوی کرنے کے لیے ML کے استعمال کی اطلاع دی گئی ہے، ہم نے کمزور بنیادی خطوط کے مقابلے میں 79% (60/76) کی نشاندہی کی۔ دوسرا، ہمیں وسیع پیمانے پر رپورٹنگ کے تعصب کے ثبوت ملے، خاص طور پر نتائج کی رپورٹنگ اور اشاعت میں تعصب۔ ہم یہ نتیجہ اخذ کرتے ہیں کہ جزوی تفریق مساوات کو حل کرنے پر مشین لرننگ کی تحقیق حد سے زیادہ پر امید ہے: کمزور ان پٹ ڈیٹا حد سے زیادہ مثبت نتائج کا باعث بن سکتا ہے، اور رپورٹنگ کا تعصب منفی نتائج کی کم رپورٹنگ کا باعث بن سکتا ہے۔ بڑے حصے میں، یہ مسائل ماضی کی تولیدی صلاحیت کے بحران جیسے عوامل کی وجہ سے پیدا ہوتے ہیں: تفتیش کار کی صوابدید اور مثبت نتائج کا تعصب۔ ہم متعصبانہ رپورٹنگ کو کم کرنے کے لیے نیچے سے اوپر کی ثقافتی تبدیلی کا مطالبہ کرتے ہیں اور ایسا کرنے کے لیے ٹیڑھی ترغیبات کو کم کرنے کے لیے اوپر سے نیچے کی ساختی اصلاحات کا مطالبہ کرتے ہیں۔
منظم جائزے کے ذریعہ تیار کردہ مصنفین اور مضامین کی فہرست، نیز بے ترتیب نمونے میں ہر مضمون کی درجہ بندی، عوامی طور پر https://doi.org/10.17605/OSF.IO/GQ5B3 (ریفریٹ 124) پر دستیاب ہے۔
ٹیبل 2 میں نتائج کو دوبارہ پیش کرنے کے لیے درکار کوڈ GitHub پر پایا جا سکتا ہے: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) اور Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 اور لنک 12 https://codeocean.com/capsule/0799002/tree/v1 (لنک 127)۔
رینڈل، ڈی.، اور ویلسر، کے.، جدید سائنس میں غیر تولیدی بحران: اسباب، نتائج، اور اصلاح کے راستے (نیشنل ایسوسی ایشن آف سائنٹسٹس، 2018)۔
رچی، ایس سائنس فکشن: کس طرح فراڈ، تعصب، خاموشی، اور ہائپ سچ کی تلاش کو کمزور کرتی ہے (ونٹیج، 2020)۔
کھلا سائنسی تعاون۔ نفسیاتی سائنس میں تولیدی صلاحیت کا اندازہ لگانا۔ سائنس 349، AAAC4716 (2015)۔
پرنز، ایف.، شلانج، ٹی.، اور اسد اللہ، کے. یقین کریں یا نہ کریں: ہم منشیات کے ممکنہ اہداف پر شائع شدہ ڈیٹا پر کتنا بھروسہ کر سکتے ہیں؟ نیٹ Rev. "منشیات کی دریافت۔" 10، 712 (2011)۔
Begley, KG اور Ellis, LM preclinical کینسر کی تحقیق میں معیار کو بڑھانا۔ فطرت 483، 531–533 (2012)۔
A. Gelman اور E. Loken, The Garden of Forking Paths: Why Multiple Comparisons are a problem even without "Fishing Expeditions" or "p-hacks" and Preformed Research Hypotheses, vol. 348، 1–17 (محکمہ شماریات، 2013)۔
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., اور Shi, D. نئی بنیادی طبیعیات کی تلاش میں مشین لرننگ۔ نیٹ طبیعیات میں فلسفہ کے ڈاکٹر۔ 4، 399–412 (2022)۔
دارا ایس، ڈیمرچرلا ایس، جادھو ایس ایس، بابو سی ایم اور احسن ایم جے۔ منشیات کی دریافت میں مشین لرننگ: ایک جائزہ۔ عاطف۔ انٹیل ایڈ 55، 1947–1999 (2022)۔
Mather, AS اور Coote, ML کیمسٹری میں گہری تعلیم۔ جے کیمسٹری مطلع کریں ماڈل۔ 59، 2545–2559 (2019)۔
راجکومار اے.، ڈین جے. اور کوہان I. طب میں مشین لرننگ۔ نیو انگلینڈ جرنل آف میڈیسن۔ 380، 1347–1358 (2019)۔
گرائمر جے، رابرٹس ایم ای۔ اور اسٹیورٹ بی ایم مشین لرننگ ان سوشل سائنسز: ایک اجناسٹک اپروچ۔ Rev. Ann بال۔ سائنس 24، 395–419 (2021)۔
چھلانگ، J. et al. الفافولڈ کا استعمال کرتے ہوئے پروٹین کی ساخت کی انتہائی درست پیشین گوئیاں کریں۔ فطرت 596، 583–589 (2021)۔
Gundersen, OE, Coakley, K., Kirkpatrick, K., اور Gil, Y. مشین لرننگ میں ناقابل تولیدی کے ذرائع: ایک جائزہ۔ پری پرنٹ https://arxiv.org/abs/2204.07610 (2022) پر دستیاب ہے۔
سکلی، ڈی، سنوک، جے، ولٹسکو، اے، اور رحیمی، اے فاتح کی لعنت؟ تجرباتی ثبوت کی رفتار، پیشرفت اور سختی پر (ICLR، 2018)۔
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. Non additive enhancements: 1998 کے بعد سے ابتدائی تلاش کے نتائج۔ 18th ACM کانفرنس آن انفارمیشن اینڈ نالج مینجمنٹ 601–610 (ACM 2009)۔
کپور، ایس اور نارائنن، اے مشین لرننگ پر مبنی سائنس میں رساو اور تولیدی صلاحیت کا بحران۔ پیٹرنز، 4، 100804 (2023)۔
کپور ایس وغیرہ۔ اصلاحات: مشین لرننگ پر مبنی سائنسی رپورٹنگ کے معیارات۔ پری پرنٹ https://arxiv.org/abs/2308.07832 (2023) پر دستیاب ہے۔
DeMasi, O., Cording, C., اور Recht, B. بے معنی موازنہ میڈیکل مشین لرننگ میں غلط رجائیت کا باعث بن سکتے ہیں۔ PloS ONE 12, e0184604 (2017)۔
رابرٹس، ایم، وغیرہ۔ سینے کے ایکسرے اور کمپیوٹنگ ٹوموگرافی سے COVID-19 کا پتہ لگانے اور اس کی پیش گوئی کرنے کے لیے مشین لرننگ کے استعمال کے لیے عام نقصانات اور بہترین طریقے۔ نیٹ زیادہ سے زیادہ انٹیل 3، 199–217 (2021)۔
Winantz L. et al. COVID-19 کی تشخیص اور تشخیص کے لیے پیش گوئی کرنے والے ماڈل: ایک منظم جائزہ اور تنقیدی تشخیص۔ BMJ 369, m1328 (2020)۔
Whalen S., Schreiber J., Noble WS اور Pollard KS جینومکس میں مشین لرننگ کے استعمال کے نقصانات پر قابو پانا۔ نیٹ پادری جینیٹ۔ 23، 169–181 (2022)۔
Atris N. et al. کیمسٹری میں مشین لرننگ کے بہترین طریقے۔ نیٹ کیمیکل۔ 13، 505–508 (2021)۔
Brunton SL اور Kutz JN جزوی تفریق مساوات کی مشین لرننگ کے لیے امید افزا ہدایات۔ نیٹ حساب لگانا سائنس 4، 483–494 (2024)۔
Vinuesa, R. اور Brunton, SL مشین لرننگ کے ذریعے کمپیوٹیشنل فلوڈ ڈائنامکس کو بہتر بنانا۔ نیٹ حساب لگانا سائنس 2، 358–366 (2022)۔
Comeau، S. et al. جسمانی طور پر باخبر نیورل نیٹ ورکس کے ساتھ سائنسی مشین لرننگ: ہم اب کہاں ہیں اور آگے کیا ہے۔ جے سائنس۔ حساب لگانا 92، 88 (2022)۔
Duraisamy, K., Yaccarino, G., اور Xiao, H. ڈیٹا دور میں ٹربولنس ماڈلنگ۔ این کا نظر ثانی شدہ ایڈیشن۔ 51، 357–377 (2019)۔
Durran، DR جیو فزیکل ہائیڈروڈینامکس میں لہر کی مساوات کو حل کرنے کے عددی طریقے، جلد۔ 32 (اسپرنگر، 2013)۔
مشرا، S. تفریق مساوات کے ڈیٹا پر مبنی کمپیوٹیشن کو تیز کرنے کے لیے ایک مشین لرننگ فریم ورک۔ ریاضی انجینئر https://doi.org/10.3934/Mine.2018.1.118 (2018)۔
Kochikov D. et al. مشین لرننگ – کمپیوٹیشنل فلوڈ ڈائنامکس کی سرعت۔ عمل نیشنل اکیڈمی آف سائنسز۔ سائنس US 118, e2101784118 (2021)۔
Kadapa, K. کمپیوٹر سائنس اور انجینئرنگ کے لیے مشین لرننگ – ایک مختصر تعارف اور کچھ اہم مسائل۔ پری پرنٹ https://arxiv.org/abs/2112.12054 (2021) پر دستیاب ہے۔
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., اور Zanna, L. مثالی ماڈلز میں مشین لرننگ اوشین سب گرڈ پیرامیٹرائزیشن کا تقابلی تجزیہ۔ J. Adv. ماڈل۔ زمین کا نظام. 15. e2022MS003258 (2023)۔
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE ریفائنمنٹ: نیورل PDE سولور کے ساتھ درست لمبے اخراج کا حصول۔ نیورل انفارمیشن پروسیسنگ سسٹمز پر 37ویں کانفرنس (NeurIPS 2023)۔
Frachas، PR et al. پیچیدہ spatiotemporal حرکیات کی پیشن گوئی کے لئے بار بار چلنے والے عصبی نیٹ ورکس میں بیک پروپیگیشن الگورتھم اور ذخائر کا حساب کتاب۔ اعصابی نیٹ ورک. 126، 191–217 (2020)۔
Raissi, M., Perdikaris, P. and Karniadakis, GE فزکس، کمپیوٹر سائنس، نیورل نیٹ ورکس: غیر لکیری جزوی تفریق مساوات پر مشتمل آگے اور الٹا مسائل کو حل کرنے کے لیے ایک گہرا سیکھنے کا فریم ورک۔ J. کمپیوٹر۔ طبیعیات 378، 686–707 (2019)۔
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. کیا طبیعیات پر مبنی نیورل نیٹ ورک محدود عنصر کے طریقوں سے بہتر کارکردگی کا مظاہرہ کر سکتے ہیں؟ IMA J. ایپلی کیشنز۔ ریاضی 89، 143–174 (2024)۔
de la Mata, FF, Gijon, A., Molina-Solana, M., اور Gómez-Romero, J. ڈیٹا پر مبنی ماڈلنگ کے لیے طبیعیات پر مبنی نیورل نیٹ ورکس: فوائد، حدود اور مواقع۔ طبیعیات A 610، 128415 (2023)۔
Zhuang، P.-Y. اور باربا، ایل اے فلوڈ ماڈلنگ میں فزکس پر مبنی نیورل نیٹ ورکس پر ایک تجرباتی رپورٹ: نقصانات اور مایوسیاں۔ پری پرنٹ https://arxiv.org/abs/2205.14249 (2022) پر دستیاب ہے۔
Zhuang، P.-Y. اور باربا، LA بھنور کی تشکیل پر جسمانی طور پر باخبر نیورل نیٹ ورکس کی پیشین گوئی کی حدود۔ پری پرنٹ https://arxiv.org/abs/2306.00230 (2023) پر دستیاب ہے۔
وانگ، ایس.، یو، ایچ.، اور پرڈیکاریس، پی. کب اور کیوں پنز تربیت میں ناکام رہتے ہیں: ایک عصبی ٹینجنٹ نیوکلئس تناظر۔ J. کمپیوٹر۔ طبیعیات 449، 110768 (2022)۔
کرشن پریان، اے، غلامی، اے، زی، ایس، کربی، آر، اور مہونی، جسمانی معلومات کے نیورل نیٹ ورکس میں ممکنہ ناکامی کے طریقوں کی MW خصوصیات۔ 35ویں کانفرنس آن نیورل انفارمیشن پروسیسنگ سسٹم والیوم۔ 34، 26548–26560 (NeurIPS 2021)۔
بصیر، ایس. اور سینوکاک، I. فزکس پر مبنی نیورل نیٹ ورکس میں ناکامی کے طریقوں کا ایک اہم مطالعہ۔ AiAA SCITECH 2022 فورم 2353 (ARK, 2022) میں۔
Karnakov P., Litvinov S. اور Koumoutsakos P. مجرد نقصانات کو بہتر بنا کر جسمانی الٹا مسائل کو حل کرنا: عصبی نیٹ ورکس کے بغیر تیز اور درست سیکھنا۔ عمل نیشنل اکیڈمی آف سائنسز۔ سائنس Nexus 3، pgae005 (2024)۔
Gundersen OE تولیدی صلاحیت کے بنیادی اصول۔ Phil.cross آر شوکر A 379، 20200210 (2021)۔
Aromataris E اور Pearson A. منظم جائزے: ایک جائزہ۔ جی ہاں J. نرسنگ 114، 53–58 (2014)۔
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. ریمن کے مسئلے کے لیے رکاوٹ سے آگاہ نیورل نیٹ ورکس۔ J. کمپیوٹر۔ طبیعیات 409، 109345 (2020)۔
بیزگین ڈی اے، شمٹ ایس جے اور ایڈمز این اے ڈیٹا پر مبنی جسمانی طور پر مطلع محدود حجم سرکٹ غیر کلاسیکی کم وولٹیج کے جھٹکے کے لیے۔ J. کمپیوٹر۔ طبیعیات 437، 110324 (2021)۔