দুর্বল বেসলাইন এবং রিপোর্টিং পক্ষপাত তরল সম্পর্কিত আংশিক ডিফারেনশিয়াল সমীকরণগুলির মেশিন লার্নিংয়ে অতিরিক্ত-অনুকূলতার দিকে পরিচালিত করে।

প্রকৃতি ডটকম দেখার জন্য আপনাকে ধন্যবাদ। আপনি যে ব্রাউজারের ব্যবহার করছেন তার সংস্করণে সীমিত সিএসএস সমর্থন রয়েছে। সেরা ফলাফলের জন্য, আমরা আপনাকে সুপারিশ করি যে আপনি আপনার ব্রাউজারের একটি নতুন সংস্করণ ব্যবহার করুন (বা ইন্টারনেট এক্সপ্লোরারে সামঞ্জস্যতা মোড অক্ষম করুন)। ইতিমধ্যে, চলমান সমর্থন নিশ্চিত করতে, আমরা স্টাইলিং বা জাভাস্ক্রিপ্ট ছাড়াই সাইটটি দেখিয়ে দিচ্ছি।
গণ্য পদার্থবিজ্ঞানে মেশিন লার্নিংয়ের সর্বাধিক প্রতিশ্রুতিবদ্ধ অ্যাপ্লিকেশনগুলির মধ্যে একটি হ'ল আংশিক ডিফারেনশিয়াল সমীকরণের (পিডিই) ত্বরণযুক্ত সমাধান। একটি মেশিন লার্নিং-ভিত্তিক আংশিক ডিফারেনশিয়াল সমীকরণ সলভারের মূল লক্ষ্য হ'ল এমন সমাধানগুলি উত্পাদন করা যা বেসলাইন তুলনা হিসাবে পরিবেশন করার জন্য স্ট্যান্ডার্ড সংখ্যাসূচক পদ্ধতির চেয়ে যথেষ্ট দ্রুতগত। আমরা প্রথমে আংশিক ডিফারেনশিয়াল সমীকরণগুলি সমাধান করার জন্য মেশিন লার্নিং সাহিত্যের একটি পদ্ধতিগত পর্যালোচনা পরিচালনা করি। তরল আংশিক ডিফারেনশিয়াল সমীকরণগুলি সমাধান করতে এবং স্ট্যান্ডার্ড সংখ্যাসূচক পদ্ধতির তুলনায় শ্রেষ্ঠত্ব দাবি করার জন্য এমএল ব্যবহারের প্রতিবেদনকারী সমস্ত কাগজপত্রগুলির মধ্যে আমরা দুর্বল বেসরেখার তুলনায়% ৯% (60/76) চিহ্নিত করেছি। দ্বিতীয়ত, আমরা ব্যাপক প্রতিবেদনের পক্ষপাতিত্বের প্রমাণ পেয়েছি, বিশেষত ফলাফলের প্রতিবেদন এবং প্রকাশনার পক্ষপাতিত্বের ক্ষেত্রে। আমরা উপসংহারে পৌঁছেছি যে আংশিক ডিফারেনশিয়াল সমীকরণগুলি সমাধান করার বিষয়ে মেশিন লার্নিং গবেষণা অত্যধিক আশাবাদী: দুর্বল ইনপুট ডেটা অত্যধিক ইতিবাচক ফলাফলের দিকে নিয়ে যেতে পারে এবং প্রতিবেদন পক্ষপাতিত্ব নেতিবাচক ফলাফলগুলিকে আন্ডার -রিপোর্টিংয়ের দিকে নিয়ে যেতে পারে। বড় অংশে, এই সমস্যাগুলি অতীতের পুনরুত্পাদনযোগ্যতা সংকটগুলির অনুরূপ কারণগুলির কারণে দেখা যায়: তদন্তকারী বিচক্ষণতা এবং ইতিবাচক ফলাফল পক্ষপাত। এটি করার জন্য বিকৃত উত্সাহ হ্রাস করার জন্য আমরা পক্ষপাতদুষ্ট প্রতিবেদন এবং শীর্ষ-ডাউন স্ট্রাকচারাল সংস্কারকে হ্রাস করতে নীচের অংশে সাংস্কৃতিক পরিবর্তনের আহ্বান জানাই।
পদ্ধতিগত পর্যালোচনা দ্বারা উত্পাদিত লেখক এবং নিবন্ধগুলির তালিকা, পাশাপাশি এলোমেলো নমুনায় প্রতিটি নিবন্ধের শ্রেণিবিন্যাস প্রকাশ্যে https://doi.org/10.17605/osf.io/gq5b3 (রেফ। 124) এ সর্বজনীনভাবে উপলব্ধ।
সারণী 2 এর ফলাফলগুলি পুনরুত্পাদন করার জন্য প্রয়োজনীয় কোডটি গিটহাব: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (রেফ। 125) এবং কোড মহাসাগরে: https://codeocean.com/capsule/9605555539/ এ পাওয়া যাবে গাছ/ ভি 1 (লিঙ্ক 126) এবং https://codeocean.com/capsule/0799002/tree/v1 (লিঙ্ক 127)।
র‌্যান্ডাল, ডি।, এবং ওয়েলসার, কে।, আধুনিক বিজ্ঞানের অকার্যকর সংকট: কারণ, পরিণতি এবং সংস্কার ফর রিফর্মস (ন্যাশনাল অ্যাসোসিয়েশন অফ সায়েন্টিস্টস, 2018)।
রিচি, এস। সায়েন্স ফিকশন: কীভাবে জালিয়াতি, পক্ষপাতিত্ব, নীরবতা এবং হাইপ সত্যের সন্ধানকে ক্ষুন্ন করে (ভিনটেজ, ২০২০)।
খোলা বৈজ্ঞানিক সহযোগিতা। মনস্তাত্ত্বিক বিজ্ঞানে পুনরুত্পাদনযোগ্যতা মূল্যায়ন। বিজ্ঞান 349, এএএসি 4716 (2015)।
প্রিনজ, এফ।, শ্ল্যাঞ্জ, টি।, এবং আসাদুল্লাহ, কে। বিশ্বাস করুন বা না: আমরা সম্ভাব্য ওষুধের লক্ষ্যমাত্রার উপর প্রকাশিত ডেটার উপর কতটা নির্ভর করতে পারি? নাট রেভ। "ড্রাগস আবিষ্কার।" 10, 712 (2011)।
বেগেলি, কেজি এবং এলিস, এলএম প্রাক্লিনিকাল ক্যান্সার গবেষণায় মান বাড়ানোর মান। প্রকৃতি 483, 531–533 (2012)।
উ: জেলম্যান এবং ই। লোকেন, দ্য গার্ডেন অফ ফোরকিং পাথস: কেন একাধিক তুলনা "ফিশিং অভিযান" বা "পি-হ্যাকস" এবং প্রিফর্মড রিসার্চ হাইপোথিসিস, খণ্ড ছাড়াও সমস্যা। 348, 1–17 (পরিসংখ্যান বিভাগ, 2013)।
কারাগিওরিগি, জি।, কাসেকা, জি।, ক্রাভিটস, এস।, নাচম্যান, বি।, এবং শি, ডি। নতুন মৌলিক পদার্থবিজ্ঞানের সন্ধানে মেশিন লার্নিং। নাট পদার্থবিজ্ঞানে দর্শনের ডাক্তার। 4, 399–412 (2022)।
দারা এস, ড্যামেরচারলা এস, যাদব এসএস, বাবু সিএম এবং আহসান এমজে। ড্রাগ আবিষ্কারে মেশিন লার্নিং: একটি পর্যালোচনা। Atif। ইন্টেল এড। 55, 1947–1999 (2022)।
ম্যাথার, এএস এবং কোট, এমএল ডিপ লার্নিং কেমিস্ট্রি। জে। কেমিস্ট্রি। অবহিত মডেল। 59, 2545–2559 (2019)।
রাজকোমার এ।, ডিন জে এবং কোহান আই। মেডিসিনে মেশিন লার্নিং। নিউ ইংল্যান্ড জার্নাল অফ মেডিসিন। 380, 1347–1358 (2019)।
গ্রিমার জে, রবার্টস আমাকে। এবং সামাজিক বিজ্ঞানে স্টুয়ার্ট বিএম মেশিন লার্নিং: একটি অজ্ঞেয় পদ্ধতির। রেভ। আন বল। বিজ্ঞান। 24, 395–419 (2021)।
লাফ, জে। এট আল। আলফাফোল্ড ব্যবহার করে অত্যন্ত নির্ভুল প্রোটিন কাঠামোর পূর্বাভাস তৈরি করুন। প্রকৃতি 596, 583–589 (2021)।
গন্ডারসন, ওই, কোকলি, কে।, কিরকপ্যাট্রিক, কে। Https://arxiv.org/abs/2204.07610 (2022) এ প্রিপ্রিন্ট উপলব্ধ।
স্কুলি, ডি।, স্নুক, জে।, উইল্টসকো, এ, এবং রহিমি, এ। বিজয়ীর অভিশাপ? অভিজ্ঞতাগত প্রমাণের গতি, অগ্রগতি এবং কঠোরতার উপর (আইসিএলআর, 2018)।
আর্মস্ট্রং, টিজি, মোফাত, এ।, ওয়েবার, ডাব্লু।
কাপুর, এস। নিদর্শন, 4, 100804 (2023)।
কাপুর এস এট আল। সংস্কার: মেশিন লার্নিংয়ের ভিত্তিতে বৈজ্ঞানিক প্রতিবেদনের মান। Https://arxiv.org/abs/2308.07832 (2023) এ প্রিপ্রিন্ট উপলব্ধ।
ডেমাসি, ও।, কর্ডিং, সি। পিএলওএস ওয়ান 12, E0184604 (2017)।
রবার্টস, এম।, ইত্যাদি। বুকের এক্স-রে এবং গণিত টমোগ্রাফি থেকে কোভিড -19 সনাক্ত এবং পূর্বাভাস দেওয়ার জন্য মেশিন লার্নিং ব্যবহারের জন্য সাধারণ সমস্যাগুলি এবং সেরা অনুশীলনগুলি। নাট সর্বোচ্চ ইন্টেল 3, 199–217 (2021)।
উইন্যান্টজ এল। এট আল। কোভিড -19 এর নির্ণয় এবং প্রাগনোসিসের জন্য ভবিষ্যদ্বাণীমূলক মডেলগুলি: একটি পদ্ধতিগত পর্যালোচনা এবং সমালোচনামূলক মূল্যায়ন। বিএমজে 369, এম 1328 (2020)।
জেনোমিক্সে মেশিন লার্নিং ব্যবহারের সমস্যাগুলি কাটিয়ে উঠেছে হুইলেন এস।, শ্রাইবার জে।, নোবেল ডাব্লুএস এবং পোলার্ড কেএস। নাট যাজক জিনেট 23, 169–181 (2022)।
অ্যাট্রিস এন। এট আল। রসায়নে মেশিন লার্নিংয়ের জন্য সেরা অনুশীলন। নাট রাসায়নিক 13, 505–508 (2021)।
ব্রান্টন এসএল এবং কুটজ জেএন আংশিক ডিফারেনশিয়াল সমীকরণের মেশিন শেখার জন্য নির্দেশনা দেয়। নাট গণনা। বিজ্ঞান। 4, 483–494 (2024)।
ভিনিউসা, আর। এবং ব্রুন্টন, এসএল মেশিন লার্নিংয়ের মাধ্যমে গণ্য তরল গতিবিদ্যা উন্নত করছে। নাট গণনা। বিজ্ঞান। 2, 358–366 (2022)।
কমিউ, এস এট আল। শারীরিকভাবে অবহিত নিউরাল নেটওয়ার্কগুলির সাথে বৈজ্ঞানিক মেশিন লার্নিং: আমরা এখন কোথায় আছি এবং এরপরে কী। জে বিজ্ঞান। গণনা। 92, 88 (2022)।
ডুরাইসামি, কে।, ইয়্যাকারিনো, জি।, এবং জিয়াও, এইচ। টার্বুলেন্স মডেলিং ডেটা যুগে। আন এর সংশোধিত সংস্করণ। 51, 357–377 (2019)।
দুরান, জিওফিজিকাল হাইড্রোডাইনামিক্সে তরঙ্গ সমীকরণগুলি সমাধানের জন্য ডিআর সংখ্যার পদ্ধতি, খণ্ড। 32 (স্প্রিংগার, 2013)।
মিশ্র, এস। ডিফারেনশিয়াল সমীকরণের ডেটা-চালিত গণনা ত্বরান্বিত করার জন্য একটি মেশিন লার্নিং ফ্রেমওয়ার্ক। গণিত। প্রকৌশলী https://doi.org/10.3934/mine.2018.1.118 (2018)।
কোচিকভ ডি এট আল। মেশিন লার্নিং - গণ্য তরল গতিবিদ্যার ত্বরণ। প্রক্রিয়া। জাতীয় বিজ্ঞান একাডেমি। বিজ্ঞান। মার্কিন 118, E2101784118 (2021)।
কাদপা, কে। কম্পিউটার সায়েন্স অ্যান্ড ইঞ্জিনিয়ারিংয়ের জন্য মেশিন লার্নিং - একটি সংক্ষিপ্ত ভূমিকা এবং কিছু মূল বিষয়। Https://arxiv.org/abs/2112.12054 (2021) এ প্রিপ্রিন্ট উপলব্ধ।
রস, এ।, লি, জেড।, পেরেজোগিন, পি।, ফার্নান্দেজ-গ্রান্দা, সি। J.adv। মডেল। আর্থ সিস্টেম। 15। E2022MS003258 (2023)।
লিপ্পে, পি।, ওয়াইলিং, বি।, পেরডিকারিস, পি।, টার্নার, আর। নিউরাল ইনফরমেশন প্রসেসিং সিস্টেম সম্পর্কিত 37 তম সম্মেলন (নিউরিপস 2023)।
ফ্রেচাস, পিআর এট আল। জটিল স্প্যাটিওটেম্পোরাল গতিবিদ্যা সম্পর্কে পূর্বাভাস দেওয়ার জন্য পুনরাবৃত্ত নিউরাল নেটওয়ার্কগুলিতে ব্যাকপ্রোপাগেশন অ্যালগরিদম এবং জলাধার গণনা। নিউরাল নেটওয়ার্ক। 126, 191–217 (2020)।
রাইসি, এম।, পেরডিকারিস, পি। জে কম্পিউটার। পদার্থবিজ্ঞান। 378, 686–707 (2019)।
গ্রসম্যান, টিজি, কমোরোস্কা, ইউজে, লুটজ, জে। পদার্থবিজ্ঞান ভিত্তিক নিউরাল নেটওয়ার্কগুলি সীমাবদ্ধ উপাদান পদ্ধতিগুলি ছাড়িয়ে যেতে পারে? আইএমএ জে অ্যাপ্লিকেশন। গণিত। 89, 143–174 (2024)।
দে লা মাতা, এফএফ, গিজন, এ।, মোলিনা-সোলানা, এম। পদার্থবিজ্ঞান। একটি 610, 128415 (2023)।
ঝুয়াং, পি.ওয়াই। & বার্বা, এলএ তরল মডেলিংয়ে পদার্থবিজ্ঞান ভিত্তিক নিউরাল নেটওয়ার্কগুলির উপর একটি অভিজ্ঞতামূলক প্রতিবেদন: সমস্যা এবং হতাশাগুলি। Https://arxiv.org/abs/2205.14249 (2022) এ প্রিপ্রিন্ট উপলব্ধ।
ঝুয়াং, পি.ওয়াই। এবং বার্বা, এলএ ঘূর্ণি গঠনে শারীরিকভাবে অবহিত নিউরাল নেটওয়ার্কগুলির ভবিষ্যদ্বাণীমূলক সীমাবদ্ধতা। Https://arxiv.org/abs/2306.00230 (2023) এ প্রিপ্রিন্ট উপলব্ধ।
ওয়াং, এস।, ইউ, এইচ। জে কম্পিউটার। পদার্থবিজ্ঞান। 449, 110768 (2022)।
কৃষ্ণপ্রিয়ান, এ।, গোলামি, এ।, ঝে, এস।, কির্বি, আর। নিউরাল ইনফরমেশন প্রসেসিং সিস্টেমগুলিতে 35 তম সম্মেলন খণ্ড। 34, 26548–26560 (নিউরিপস 2021)।
বাসির, এস এবং সেনোকাক, আই। পদার্থবিজ্ঞান ভিত্তিক নিউরাল নেটওয়ার্কগুলিতে ব্যর্থতা মোডগুলির একটি সমালোচনা অধ্যয়ন। এআইএএ স্কিটেক 2022 ফোরাম 2353 (অর্ক, 2022) এ।
কর্নাকভ পি। প্রক্রিয়া। জাতীয় বিজ্ঞান একাডেমি। বিজ্ঞান। নেক্সাস 3, pgae005 (2024)।
গন্ডারসেন ওই প্রজননযোগ্যতার প্রাথমিক নীতিগুলি। ফিল.ক্রস। আর। শুকার একটি 379, 20200210 (2021)।
অ্যারোমাটারিস ই এবং পিয়ারসন এ। পদ্ধতিগত পর্যালোচনা: একটি ওভারভিউ। হ্যাঁ। জে নার্সিং 114, 53–58 (2014)।
মাগিয়েরা, জে।, রে, ডি।, হেথেভেন, জেএস, এবং রোহদে, কে। জে কম্পিউটার। পদার্থবিজ্ঞান। 409, 109345 (2020)।
বেজগিন ডিএ, শ্মিড্ট এসজে এবং অ্যাডামস এনএ ডেটা-চালিত শারীরিকভাবে অবহিত করা সীমাবদ্ধ ভলিউম সার্কিট নন-ক্লাসিকাল হ্রাস ভোল্টেজ শকগুলির জন্য। জে কম্পিউটার। পদার্থবিজ্ঞান। 437, 110324 (2021)।