कमजोर आधार रेखा और रिपोर्टिंग पूर्वाग्रह तरल पदार्थ से संबंधित आंशिक अंतर समीकरणों के मशीन सीखने में अति-अनुकूलता का नेतृत्व करते हैं।

Nature.com पर जाने के लिए धन्यवाद। आपके द्वारा उपयोग किए जा रहे ब्राउज़र का संस्करण सीमित सीएसएस समर्थन है। सर्वोत्तम परिणामों के लिए, हम अनुशंसा करते हैं कि आप अपने ब्राउज़र के एक नए संस्करण का उपयोग करें (या इंटरनेट एक्सप्लोरर में संगतता मोड को अक्षम करें)। इस बीच, चल रहे समर्थन को सुनिश्चित करने के लिए, हम स्टाइल या जावास्क्रिप्ट के बिना साइट दिखा रहे हैं।
One of the most promising applications of machine learning in computational physics is the accelerated solution of partial differential equations (PDEs). The main goal of a machine learning-based partial differential equation solver is to produce solutions that are accurate enough faster than standard numerical methods to serve as a baseline comparison. हम पहले आंशिक अंतर समीकरणों को हल करने पर मशीन लर्निंग साहित्य की एक व्यवस्थित समीक्षा करते हैं। Of all the papers reporting the use of ML to solve fluid partial differential equations and claiming superiority over standard numerical methods, we identified 79% (60/76) compared to weak baselines. दूसरा, हमें व्यापक रिपोर्टिंग पूर्वाग्रह के प्रमाण मिले, विशेष रूप से परिणाम रिपोर्टिंग और प्रकाशन पूर्वाग्रह में। We conclude that machine learning research on solving partial differential equations is overly optimistic: weak input data can lead to overly positive results, and reporting bias can lead to underreporting of negative results. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. We call for bottom-up cultural change to minimize biased reporting and top-down structural reform to reduce perverse incentives to do so.
व्यवस्थित समीक्षा द्वारा उत्पन्न 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 (Ref। 124) पर उपलब्ध है।
तालिका 2 में परिणामों को पुन: पेश करने के लिए आवश्यक कोड github पर पाया जा सकता है: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Ref। 125) और कोड महासागर पर: https://codeocean.com/capsule/9605539/Capel ट्री/ वी 1 (लिंक 126) और https://codeocean.com/capsule/0799002/tree/v1 (लिंक 127)।
रान्डेल, डी।, और वेल्सर, के।, आधुनिक विज्ञान में अपरिवर्तनीयता संकट: सुधार के लिए कारण, परिणाम और मार्ग (नेशनल एसोसिएशन ऑफ साइंटिस्ट्स, 2018)।
रिची, एस। साइंस फिक्शन: हाउ फ्रॉड, बायस, साइलेंस, और हाइप ट्रुथ फॉर ट्रुथ (विंटेज, 2020) की खोज को कमजोर करते हैं।
खुले वैज्ञानिक सहयोग। मनोवैज्ञानिक विज्ञान में प्रतिलिपि प्रस्तुत करने योग्यता का आकलन। विज्ञान 349, AAAC4716 (2015)।
प्रिंज़, एफ।, श्लेंज, टी।, और असदुल्लाह, के। का मानना ​​है या नहीं: हम संभावित दवा लक्ष्यों पर प्रकाशित डेटा पर कितना भरोसा कर सकते हैं? नट। रेव। "ड्रग्स की खोज।" 10, 712 (2011)।
बेगले, केजी और एलिस, एलएम प्रीक्लिनिकल कैंसर रिसर्च में मानकों को बढ़ाते हैं। प्रकृति 483, 531–533 (2012)।
ए। गेलमैन और ई। लोकेन, द गार्डन ऑफ फोर्किंग पाथ्स: क्यों कई तुलनाएं "मछली पकड़ने के अभियानों" या "पी-हैक्स" और प्रीफॉर्म्ड रिसर्च हाइपोथेसिस, वॉल्यूम के बिना भी एक समस्या हैं। 348, 1-17 (सांख्यिकी विभाग, 2013)।
कारागियोर्गी, जी।, कसेका, जी।, क्रावित्ज़, एस।, नाचमैन, बी।, और शि, डी। मशीन सीखने में नए मौलिक भौतिकी की तलाश में। नट। भौतिकी में दर्शन के डॉक्टर। 4, 399-412 (2022)।
दारा एस, डेमरचेरला एस, जाधव एसएस, बाबू सीएम और अहसन एमजे। ड्रग डिस्कवरी में मशीन लर्निंग: एक समीक्षा। Atif। इंटेल। एड। 55, 1947-1999 (2022)।
माथेर, एएस और कोट, एमएल डीप लर्निंग इन केमिस्ट्री। जे.केमिस्ट्री। सूचित करें। मॉडल। 59, 2545–2559 (2019)।
राजकोमर ए।, डीन जे और कोहन आई। मशीन लर्निंग इन मेडिसिन। न्यू इंग्लैंड जर्नल ऑफ मेडिसिन। 380, 1347–1358 (2019)।
ग्रिमर जे, रॉबर्ट्स मी। और सामाजिक विज्ञान में स्टीवर्ट बीएम मशीन लर्निंग: एक अज्ञेयवादी दृष्टिकोण। रेव। एन बॉल। विज्ञान। 24, 395–419 (2021)।
कूद, जे। एट अल। Alphafold का उपयोग करके अत्यधिक सटीक प्रोटीन संरचना भविष्यवाणियां करें। प्रकृति 596, 583–589 (2021)।
गुंडर्सन, ओई, कोक्ले, के।, किर्कपैट्रिक, के।, और गिल, वाई। मशीन लर्निंग में अप्राप्य के स्रोत: एक समीक्षा। Https://arxiv.org/abs/2204.07610 (2022) पर उपलब्ध प्रीप्रिंट।
स्कली, डी।, स्नूक, जे।, विल्ट्स्को, ए।, और रहीमी, ए। विजेता का अभिशाप? अनुभवजन्य साक्ष्य की गति, प्रगति और कठोरता पर (ICLR, 2018)।
आर्मस्ट्रांग, टीजी, मोफत, ए।, वेबर, डब्ल्यू।, और ज़ोबेल, जे। गैर-एडिटिव एन्हांसमेंट्स: 1998 के बाद से प्रारंभिक खोज परिणाम। सूचना और ज्ञान प्रबंधन पर 18 वां एसीएम सम्मेलन 601-610 (एसीएम 2009)।
कपूर, एस। और नारायणन, ए। लीकेज और रिप्रोड्यूसिबिलिटी मशीन लर्निंग-आधारित विज्ञान में संकट। पैटर्न, 4, 100804 (2023)।
कपूर एस। एट अल। सुधार: मशीन लर्निंग पर आधारित वैज्ञानिक रिपोर्टिंग मानक। Https://arxiv.org/abs/2308.07832 (2023) पर उपलब्ध प्रीप्रिंट।
DEMASI, O., CORDING, C., और RECHT, B. अर्थहीन तुलना मेडिकल मशीन लर्निंग में झूठी आशावाद को जन्म दे सकती है। PLOS ONE 12, E0184604 (2017)।
रॉबर्ट्स, एम।, एट अल। चेस्ट एक्स-रे और कंप्यूटेड टोमोग्राफी से कोविड -19 का पता लगाने और भविष्यवाणी करने के लिए मशीन लर्निंग का उपयोग करने के लिए सामान्य नुकसान और सर्वोत्तम प्रथाओं। नट। अधिकतम। इंटेल। 3, 199–217 (2021)।
विनेंट्ज़ एल। एट अल। COVID-19 के निदान और रोग का निदान के लिए भविष्य कहनेवाला मॉडल: एक व्यवस्थित समीक्षा और महत्वपूर्ण मूल्यांकन। BMJ 369, M1328 (2020)।
व्हेलन एस।, श्रेइबर जे।, नोबल डब्ल्यूएस और पोलार्ड केएस ने जीनोमिक्स में मशीन लर्निंग का उपयोग करने के नुकसान पर काबू पा लिया। नट। पादरी गिनेट। 23, 169-181 (2022)।
एट्रिस एन। एट अल। रसायन विज्ञान में मशीन सीखने के लिए सर्वोत्तम अभ्यास। नट। रासायनिक। 13, 505-508 (2021)।
आंशिक अंतर समीकरणों के मशीन सीखने के लिए ब्रंटन एसएल और कुट्ज़ जेएन आशाजनक दिशाएँ। नट। गणना करें। विज्ञान। 4, 483-494 (2024)।
Vinuesa, R. और Brunton, SL मशीन लर्निंग के माध्यम से कम्प्यूटेशनल द्रव गतिशीलता में सुधार। नट। गणना करें। विज्ञान। 2, 358–366 (2022)।
कोम्यू, एस। एट अल। शारीरिक रूप से सूचित तंत्रिका नेटवर्क के साथ वैज्ञानिक मशीन लर्निंग: हम अभी कहां हैं और आगे क्या है। जे। विज्ञान। गणना करें। 92, 88 (2022)।
Duraisamy, K., Yaccarino, G., और Xiao, H. टर्बुलेंस मॉडलिंग डेटा युग में। एन का संशोधित संस्करण। 51, 357–377 (2019)।
ड्यूरन, जियोफिजिकल हाइड्रोडायनामिक्स, वॉल्यूम में लहर समीकरणों को हल करने के लिए डॉ। संख्यात्मक तरीके। 32 (स्प्रिंगर, 2013)।
मिश्रा, एस। अंतर समीकरणों के डेटा-संचालित गणना को तेज करने के लिए एक मशीन लर्निंग फ्रेमवर्क। अंक शास्त्र। इंजीनियर। https://doi.org/10.3934/mine.2018.1.118 (2018)।
कोचिकोव डी। एट अल। मशीन लर्निंग - कम्प्यूटेशनल द्रव गतिशीलता का त्वरण। प्रक्रिया। नेशनल एकेडमी ऑफ साइंसेज। विज्ञान। यूएस 118, E2101784118 (2021)।
कडापा, के। मशीन लर्निंग फॉर कंप्यूटर साइंस एंड इंजीनियरिंग - एक संक्षिप्त परिचय और कुछ प्रमुख मुद्दे। Https://arxiv.org/abs/2112.12054 (2021) पर उपलब्ध प्रीप्रिंट।
रॉस, ए।, ली, जेड।, पेरेज़होगिन, पी।, फर्नांडीज-ग्रांडा, सी।, और ज़न्ना, एल। आदर्श मॉडल में मशीन लर्निंग ओशन सबग्रिड पैरामीटर का तुलनात्मक विश्लेषण। जेएडीवी। नमूना। पृथ्वी प्रणाली। 15। E2022MS003258 (2023)।
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. Pde रिफाइनमेंट: एक तंत्रिका PDE सॉल्वर के साथ सटीक लंबे समय तक एक्सट्रूज़न प्राप्त करना। तंत्रिका सूचना प्रसंस्करण प्रणालियों पर 37 वां सम्मेलन (न्यूरिप्स 2023)।
फ्रैकस, पीआर एट अल। जटिल स्पैटियोटेम्पोरल डायनामिक्स की भविष्यवाणी करने के लिए आवर्तक तंत्रिका नेटवर्क में बैकप्रोपैगेशन एल्गोरिथ्म और जलाशय गणना। तंत्रिका नेटवर्क। 126, 191–217 (2020)।
रायसी, एम।, पेरडाइकरिस, पी। और कर्नियाडकिस, जीई भौतिकी, कंप्यूटर विज्ञान, तंत्रिका नेटवर्क: आगे और उलटा समस्याओं को हल करने के लिए एक गहरी सीखने की रूपरेखा जिसमें नॉनलाइनर आंशिक अंतर समीकरण शामिल हैं। जे। कंप्यूटर। भौतिक विज्ञान। 378, 686–707 (2019)।
ग्रॉसमैन, टीजी, कोमोरोव्स्का, यूजे, लुत्ज़, जे।, और शॉनीब, के.बी. क्या भौतिकी-आधारित तंत्रिका नेटवर्क परिमित तत्व विधियों को बेहतर बना सकते हैं? आईएमए जे। एप्लिकेशन। अंक शास्त्र। 89, 143-174 (2024)।
डी ला माता, एफएफ, गिजोन, ए।, मोलिना-सोलाना, एम।, और गोमेज़-रोमेरो, जे। भौतिकी-आधारित तंत्रिका नेटवर्क डेटा-संचालित मॉडलिंग के लिए: लाभ, सीमाएं और अवसर। भौतिक विज्ञान। एक 610, 128415 (2023)।
झुआंग, पी। वाई। & बारबा, एलए फ्लूड मॉडलिंग में भौतिकी-आधारित तंत्रिका नेटवर्क पर एक अनुभवजन्य रिपोर्ट: नुकसान और निराशा। Https://arxiv.org/abs/2205.14249 (2022) पर उपलब्ध प्रीप्रिंट।
झुआंग, पी। वाई। और बारबा, एलए प्रेडिक्टिव लिमिट्स ऑफ फिजिकल रूप से सूचित तंत्रिका नेटवर्क भंवर गठन पर। Https://arxiv.org/abs/2306.00230 (2023) पर उपलब्ध प्रीप्रिंट।
वांग, एस।, यू, एच।, और पेरडिकरिस, पी। कब और क्यों पिन को प्रशिक्षित करने में विफल: एक तंत्रिका स्पर्शरेखा नाभिक परिप्रेक्ष्य। जे। कंप्यूटर। भौतिक विज्ञान। 449, 110768 (2022)।
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Characteristics of possible failure modes in physical information neural networks. न्यूरल सूचना प्रसंस्करण सिस्टम वॉल्यूम पर 35 वां सम्मेलन। 34, 26548–26560 (न्यूरिप्स 2021)।
बसिर, एस। और सेनोकाक, आई। भौतिकी-आधारित तंत्रिका नेटवर्क में विफलता मोड का एक महत्वपूर्ण अध्ययन। AIAA स्किटेक 2022 फोरम 2353 (आर्क, 2022) में।
Karnakov P., Litvinov S. and Koumoutsakos P. Solving physical inverse problems by optimizing discrete losses: fast and accurate learning without neural networks. प्रक्रिया। नेशनल एकेडमी ऑफ साइंसेज। विज्ञान। नेक्सस 3, PGAE005 (2024)।
Gundersen oe प्रजनन के मूल सिद्धांत। Phil.cross। आर। शुकर। एक 379, 20200210 (2021)।
Aromataris E और Pearson A. व्यवस्थित समीक्षा: एक अवलोकन। हाँ। जे। नर्सिंग 114, 53-58 (2014)।
मागेरा, जे।, रे, डी।, हेस्टहवेन, जेएस, और रोहडे, के। कांस्ट्रक्ट-अवेयर न्यूरल नेटवर्क्स फॉर द रीमैन समस्या। जे। कंप्यूटर। भौतिक विज्ञान। 409, 109345 (2020)।
बेजिन डीए, श्मिट एसजे और एडम्स एनए डेटा-चालित गैर-शास्त्रीय कम वोल्टेज झटके के लिए शारीरिक रूप से सूचित परिमित वॉल्यूम सर्किट। जे। कंप्यूटर। भौतिक विज्ञान। 437, 110324 (2021)।