బలహీనమైన బేస్‌లైన్‌లు మరియు రిపోర్టింగ్ బయాస్ ద్రవ-సంబంధిత పాక్షిక అవకలన సమీకరణాల యంత్ర అభ్యాసంలో అతి-ఆశావాదానికి దారితీస్తాయి.

Nature.com ని సందర్శించినందుకు ధన్యవాదాలు. మీరు ఉపయోగిస్తున్న బ్రౌజర్ వెర్షన్ పరిమిత CSS మద్దతును కలిగి ఉంది. ఉత్తమ ఫలితాల కోసం, మీరు మీ బ్రౌజర్ యొక్క కొత్త వెర్షన్‌ను ఉపయోగించాలని మేము సిఫార్సు చేస్తున్నాము (లేదా ఇంటర్నెట్ ఎక్స్‌ప్లోరర్‌లో అనుకూలత మోడ్‌ను నిలిపివేయండి). ఈలోగా, కొనసాగుతున్న మద్దతును నిర్ధారించడానికి, మేము స్టైలింగ్ లేదా జావాస్క్రిప్ట్ లేకుండా సైట్‌ను చూపిస్తున్నాము.
కంప్యూటేషనల్ ఫిజిక్స్‌లో మెషిన్ లెర్నింగ్ యొక్క అత్యంత ఆశాజనకమైన అనువర్తనాల్లో ఒకటి పాక్షిక అవకలన సమీకరణాల (PDEs) వేగవంతమైన పరిష్కారం. మెషిన్ లెర్నింగ్-ఆధారిత పాక్షిక అవకలన సమీకరణ పరిష్కారి యొక్క ప్రధాన లక్ష్యం, బేస్‌లైన్ పోలికగా పనిచేయడానికి ప్రామాణిక సంఖ్యా పద్ధతుల కంటే తగినంత వేగంగా ఖచ్చితమైన పరిష్కారాలను ఉత్పత్తి చేయడం. మేము మొదట పాక్షిక అవకలన సమీకరణాలను పరిష్కరించడంపై యంత్ర అభ్యాస సాహిత్యం యొక్క క్రమబద్ధమైన సమీక్షను నిర్వహిస్తాము. ద్రవ పాక్షిక అవకలన సమీకరణాలను పరిష్కరించడానికి ML వాడకాన్ని నివేదించే మరియు ప్రామాణిక సంఖ్యా పద్ధతులపై ఆధిపత్యాన్ని క్లెయిమ్ చేసే అన్ని పత్రాలలో, బలహీనమైన బేస్‌లైన్‌లతో పోలిస్తే మేము 79% (60/76) గుర్తించాము. రెండవది, విస్తృతమైన రిపోర్టింగ్ బయాస్‌కు సంబంధించిన ఆధారాలను మేము కనుగొన్నాము, ముఖ్యంగా ఫలిత నివేదన మరియు ప్రచురణ పక్షపాతంలో. పాక్షిక అవకలన సమీకరణాలను పరిష్కరించడంపై యంత్ర అభ్యాస పరిశోధన మితిమీరిన ఆశావాదంతో ఉందని మేము నిర్ధారించాము: బలహీనమైన ఇన్‌పుట్ డేటా మితిమీరిన సానుకూల ఫలితాలకు దారితీస్తుంది మరియు రిపోర్టింగ్ బయాస్ ప్రతికూల ఫలితాలను తక్కువగా నివేదించడానికి దారితీస్తుంది. చాలా వరకు, ఈ సమస్యలు గత పునరుత్పత్తి సంక్షోభాలకు సమానమైన కారకాల వల్ల సంభవిస్తున్నట్లు కనిపిస్తాయి: పరిశోధకుడి విచక్షణ మరియు సానుకూల ఫలిత పక్షపాతం. పక్షపాత రిపోర్టింగ్‌ను తగ్గించడానికి దిగువ-పైకి సాంస్కృతిక మార్పు మరియు అలా చేయడానికి వికృత ప్రోత్సాహకాలను తగ్గించడానికి పై నుండి క్రిందికి నిర్మాణాత్మక సంస్కరణ కోసం మేము పిలుపునిస్తాము.
క్రమబద్ధమైన సమీక్ష ద్వారా రూపొందించబడిన రచయితలు మరియు వ్యాసాల జాబితా, అలాగే యాదృచ్ఛిక నమూనాలోని ప్రతి వ్యాసం యొక్క వర్గీకరణ, https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124) లో బహిరంగంగా అందుబాటులో ఉన్నాయి.
టేబుల్ 2 లోని ఫలితాలను పునరుత్పత్తి చేయడానికి అవసరమైన కోడ్‌ను GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) మరియు కోడ్ ఓషన్: https://codeocean.com/capsule/9605539/Tree/ v1 (లింక్ 126) మరియు https://codeocean.com/capsule/0799002/tree/v1 (లింక్ 127) లలో చూడవచ్చు.
రాండాల్, డి., మరియు వెల్సర్, కె., ది ఇర్‌ప్రొడ్యూసిబిలిటీ క్రైసిస్ ఇన్ మోడరన్ సైన్స్: కాజెస్, కాన్సీక్వెన్సెస్, అండ్ పాత్ వేస్ ఫర్ రిఫార్మ్ (నేషనల్ అసోసియేషన్ ఆఫ్ సైంటిస్ట్స్, 2018).
రిచీ, ఎస్. సైన్స్ ఫిక్షన్: హౌ ఫ్రాడ్, బయాస్, సైలెన్స్, అండ్ హైప్ అండర్‌మైన్ ది సెర్చ్ ఫర్ ట్రూత్ (వింటేజ్, 2020).
ఓపెన్ సైంటిఫిక్ సహకారం. మానసిక శాస్త్రంలో పునరుత్పత్తి సామర్థ్యాన్ని అంచనా వేయడం. సైన్స్ 349, AAAC4716 (2015).
ప్రింజ్, ఎఫ్., ష్లాంజ్, టి., మరియు అసదుల్లా, కె. నమ్మండి లేదా కాదు: సంభావ్య డ్రగ్ లక్ష్యాలపై ప్రచురించబడిన డేటాపై మనం ఎంతవరకు ఆధారపడవచ్చు? నాట్. రెవరెండ్. “ది డిస్కవరీ ఆఫ్ డ్రగ్స్.” 10, 712 (2011).
బెగ్లీ, కెజి మరియు ఎల్లిస్, ఎల్ఎమ్ ప్రీక్లినికల్ క్యాన్సర్ పరిశోధనలో ప్రమాణాలను పెంచడం. నేచర్ 483, 531–533 (2012).
ఎ. గెల్మాన్ మరియు ఇ. లోకెన్, ది గార్డెన్ ఆఫ్ ఫోర్కింగ్ పాత్స్: వై మల్టిపుల్ కంపారిజన్స్ ఆర్ ఎ ప్రాబ్లం ఈవెన్ వితౌట్ “ఫిషింగ్ ఎక్స్‌పెడిషన్స్” లేదా “పి-హాక్స్” మరియు ప్రీఫార్మ్డ్ రీసెర్చ్ హైపోథెసెస్, వాల్యూమ్. 348, 1–17 (డిపార్ట్‌మెంట్ ఆఫ్ స్టాటిస్టిక్స్, 2013).
కరాగియోర్గి, జి., కాసెక్కా, జి., క్రావిట్జ్, ఎస్., నాచ్‌మన్, బి., మరియు షి, డి. కొత్త ప్రాథమిక భౌతిక శాస్త్రాన్ని వెతుకుతూ యంత్ర అభ్యాసం. నాట్. డాక్టర్ ఆఫ్ ఫిలాసఫీ ఇన్ ఫిజిక్స్. 4, 399–412 (2022).
దారా ఎస్, డామెర్చెర్ల ఎస్, జాదవ్ ఎస్ఎస్, బాబు సిఎం మరియు అహ్సాన్ ఎంజె. ఔషధ ఆవిష్కరణలో యంత్ర అభ్యాసం: ఒక సమీక్ష. అటిఫ్. ఇంటెల్. ఎడ్. 55, 1947–1999 (2022).
మాథర్, AS మరియు కూట్, ML కెమిస్ట్రీలో లోతైన అభ్యాసం. J. కెమిస్ట్రీ. నోటిఫై. మోడల్. 59, 2545–2559 (2019).
రాజ్‌కోమర్ ఎ., డీన్ జె. మరియు కోహన్ ఐ. వైద్యంలో యంత్ర అభ్యాసం. న్యూ ఇంగ్లాండ్ జర్నల్ ఆఫ్ మెడిసిన్. 380, 1347–1358 (2019).
గ్రిమ్మెర్ జె, రాబర్ట్స్ ఎంఇ. మరియు స్టీవర్ట్ బిఎమ్ మెషిన్ లెర్నింగ్ ఇన్ సోషల్ సైన్సెస్: యాన్ అజ్ఞేయవాద విధానం. రెవరెండ్ ఆన్ బాల్. సైన్స్. 24, 395–419 (2021).
జంప్, జె. మరియు ఇతరులు. ఆల్ఫాఫోల్డ్ ఉపయోగించి అత్యంత ఖచ్చితమైన ప్రోటీన్ నిర్మాణ అంచనాలను రూపొందించండి. నేచర్ 596, 583–589 (2021).
గుండర్సెన్, OE, కోక్లీ, K., కిర్క్‌పాట్రిక్, K., మరియు గిల్, Y. మెషిన్ లెర్నింగ్‌లో పునరుత్పత్తి చేయలేని మూలాలు: ఒక సమీక్ష. https://arxiv.org/abs/2204.07610 (2022)లో ప్రీప్రింట్ అందుబాటులో ఉంది.
స్కల్లీ, డి., స్నూక్, జె., విల్ట్ష్కో, ఎ., మరియు రహిమి, ఎ. విజేత శాపం? అనుభావిక ఆధారాల వేగం, పురోగతి మరియు కఠినత్వంపై (ICLR, 2018).
ఆర్మ్‌స్ట్రాంగ్, TG, మోఫాట్, A., వెబ్బర్, W., మరియు జోబెల్, J. నాన్-అడిటివ్ ఎన్‌హాన్స్‌మెంట్స్: 1998 నుండి ప్రాథమిక శోధన ఫలితాలు. 18వ ACM కాన్ఫరెన్స్ ఆన్ ఇన్ఫర్మేషన్ అండ్ నాలెడ్జ్ మేనేజ్‌మెంట్ 601–610 (ACM 2009).
కపూర్, ఎస్. మరియు నారాయణన్, ఎ. యంత్ర అభ్యాస ఆధారిత శాస్త్రంలో లీకేజ్ మరియు పునరుత్పత్తి సంక్షోభాలు. నమూనా, 4, 100804 (2023).
కపూర్ ఎస్. మరియు ఇతరులు. సంస్కరణ: మెషిన్ లెర్నింగ్ ఆధారంగా శాస్త్రీయ నివేదన ప్రమాణాలు. https://arxiv.org/abs/2308.07832 (2023)లో ప్రీప్రింట్ అందుబాటులో ఉంది.
డెమాసి, ఓ., కార్డింగ్, సి., మరియు రెచ్ట్, బి. అర్థరహిత పోలికలు వైద్య యంత్ర అభ్యాసంలో తప్పుడు ఆశావాదానికి దారితీయవచ్చు. PLoS ONE 12, e0184604 (2017).
రాబర్ట్స్, ఎం., మరియు ఇతరులు. ఛాతీ ఎక్స్-కిరణాలు మరియు కంప్యూటెడ్ టోమోగ్రఫీ నుండి COVID-19 ను గుర్తించడానికి మరియు అంచనా వేయడానికి యంత్ర అభ్యాసాన్ని ఉపయోగించడంలో సాధారణ లోపాలు మరియు ఉత్తమ పద్ధతులు. నాట్. మ్యాక్స్. ఇంటెల్. 3, 199–217 (2021).
వినాంట్జ్ ఎల్. మరియు ఇతరులు. COVID-19 నిర్ధారణ మరియు రోగ నిరూపణ కోసం ప్రిడిక్టివ్ మోడల్స్: ఒక క్రమబద్ధమైన సమీక్ష మరియు క్లిష్టమైన అంచనా. BMJ 369, m1328 (2020).
వాలెన్ ఎస్., ష్రైబర్ జె., నోబుల్ WS మరియు పొలార్డ్ KS జన్యుశాస్త్రంలో యంత్ర అభ్యాసాన్ని ఉపయోగించడం వల్ల కలిగే ఇబ్బందులను అధిగమించడం. నాట్. పాస్టర్ గినెట్. 23, 169–181 (2022).
అట్రిస్ ఎన్. మరియు ఇతరులు. రసాయన శాస్త్రంలో యంత్ర అభ్యాసానికి ఉత్తమ పద్ధతులు. నేషనల్ కెమికల్. 13, 505–508 (2021).
బ్రంటన్ SL మరియు కుట్జ్ JN పాక్షిక అవకలన సమీకరణాల యంత్ర అభ్యాసానికి ఆశాజనకమైన దిశలు. జాతీయ గణన. శాస్త్రం. 4, 483–494 (2024).
వినుసేసా, ఆర్. మరియు బ్రంటన్, SL మెషిన్ లెర్నింగ్ ద్వారా కంప్యూటేషనల్ ఫ్లూయిడ్ డైనమిక్స్‌ను మెరుగుపరచడం. నేషనల్. గణన. సైన్స్. 2, 358–366 (2022).
కోమేయు, ఎస్. మరియు ఇతరులు. భౌతికంగా సమాచారం పొందిన నాడీ నెట్‌వర్క్‌లతో శాస్త్రీయ యంత్ర అభ్యాసం: మనం ఇప్పుడు ఎక్కడ ఉన్నాము మరియు తదుపరి ఏమిటి. జె. సైన్స్. లెక్కించు. 92, 88 (2022).
దురైసామి, కె., యాకారినో, జి., మరియు జియావో, హెచ్. డేటా యుగంలో టర్బులెన్స్ మోడలింగ్. ఆన్ యొక్క సవరించిన ఎడిషన్. 51, 357–377 (2019).
డ్యూరాన్, DR జియోఫిజికల్ హైడ్రోడైనమిక్స్‌లో తరంగ సమీకరణాలను పరిష్కరించడానికి సంఖ్యా పద్ధతులు, వాల్యూమ్. 32 (స్ప్రింగర్, 2013).
మిశ్రా, ఎస్. అవకలన సమీకరణాల డేటా-ఆధారిత గణనను వేగవంతం చేయడానికి ఒక యంత్ర అభ్యాస చట్రం. గణితం. ఇంజనీర్. https://doi.org/10.3934/Mine.2018.1.118 (2018).
కోచికోవ్ డి. మరియు ఇతరులు. యంత్ర అభ్యాసం - గణన ద్రవ డైనమిక్స్ త్వరణం. ప్రక్రియ. నేషనల్ అకాడమీ ఆఫ్ సైన్సెస్. సైన్స్. US 118, e2101784118 (2021).
కడప, కె. కంప్యూటర్ సైన్స్ మరియు ఇంజనీరింగ్ కోసం మెషిన్ లెర్నింగ్ - సంక్షిప్త పరిచయం మరియు కొన్ని కీలక సమస్యలు. ప్రీప్రింట్ https://arxiv.org/abs/2112.12054 (2021) లో అందుబాటులో ఉంది.
రాస్, ఎ., లి, జెడ్., పెరెజోగిన్, పి., ఫెర్నాండెజ్-గ్రాండా, సి., మరియు జన్నా, ఎల్. ఆదర్శవంతమైన నమూనాలలో యంత్ర అభ్యాస సముద్ర సబ్‌గ్రిడ్ పారామిటరైజేషన్ యొక్క తులనాత్మక విశ్లేషణ. జె.అడ్వ్. మోడల్. భూమి వ్యవస్థ. 15. e2022MS003258 (2023).
లిప్పే, పి., వైలింగ్, బి., పెర్డికారిస్, పి., టర్నర్, ఆర్., మరియు బ్రాండ్‌స్టెట్టర్, జె. పిడిఇ శుద్ధీకరణ: న్యూరల్ పిడిఇ సాల్వర్‌తో ఖచ్చితమైన లాంగ్ ఎక్స్‌ట్రూషన్‌లను సాధించడం. న్యూరల్ ఇన్ఫర్మేషన్ ప్రాసెసింగ్ సిస్టమ్స్‌పై 37వ కాన్ఫరెన్స్ (న్యూర్‌ఐపిఎస్ 2023).
ఫ్రాచాస్, పిఆర్ మరియు ఇతరులు. సంక్లిష్ట స్పాటియోటెంపోరల్ డైనమిక్స్‌ను అంచనా వేయడానికి పునరావృత నాడీ నెట్‌వర్క్‌లలో బ్యాక్‌ప్రొపగేషన్ అల్గోరిథం మరియు రిజర్వాయర్ గణన. నాడీ నెట్‌వర్క్. 126, 191–217 (2020).
రైస్సీ, ఎం., పెర్డికారిస్, పి. మరియు కర్నియాడకిస్, జిఇ ఫిజిక్స్, కంప్యూటర్ సైన్స్, న్యూరల్ నెట్‌వర్క్‌లు: నాన్‌లీనియర్ పాక్షిక అవకలన సమీకరణాలతో కూడిన ఫార్వర్డ్ మరియు విలోమ సమస్యలను పరిష్కరించడానికి ఒక లోతైన అభ్యాస చట్రాన్ని రూపొందించారు. జె. కంప్యూటర్. భౌతిక శాస్త్రం. 378, 686–707 (2019).
గ్రాస్‌మన్, టిజి, కొమోరోవ్స్కా, యుజె, లూట్జ్, జె., మరియు స్కోన్లీబ్, కె.-బి. భౌతిక శాస్త్ర ఆధారిత నాడీ నెట్‌వర్క్‌లు పరిమిత మూలక పద్ధతులను అధిగమించగలవా? IMA జె. అప్లికేషన్స్. గణితం. 89, 143–174 (2024).
డి లా మాటా, FF, గిజోన్, A., మోలినా-సోలానా, M., మరియు గోమెజ్-రోమెరో, J. డేటా-ఆధారిత మోడలింగ్ కోసం భౌతిక శాస్త్ర-ఆధారిత నాడీ నెట్‌వర్క్‌లు: ప్రయోజనాలు, పరిమితులు మరియు అవకాశాలు. భౌతిక శాస్త్రం. A 610, 128415 (2023).
జువాంగ్, పి.-వై. & బార్బా, LA ద్రవ నమూనాలో భౌతిక శాస్త్ర ఆధారిత నాడీ నెట్‌వర్క్‌లపై అనుభావిక నివేదిక: ఆపదలు మరియు నిరాశలు. https://arxiv.org/abs/2205.14249 (2022)లో ప్రీప్రింట్ అందుబాటులో ఉంది.
జువాంగ్, పి.-వై. మరియు బార్బా, LA వోర్టెక్స్ నిర్మాణంపై భౌతికంగా సమాచారం పొందిన నాడీ నెట్‌వర్క్‌ల అంచనా పరిమితులు. https://arxiv.org/abs/2306.00230 (2023)లో ప్రీప్రింట్ అందుబాటులో ఉంది.
వాంగ్, ఎస్., యు, హెచ్., మరియు పెర్డికారిస్, పి. పిన్స్ ఎప్పుడు మరియు ఎందుకు శిక్షణ పొందడంలో విఫలమవుతాయి: ఒక న్యూరల్ టాంజెంట్ న్యూక్లియస్ దృక్పథం. జె. కంప్యూటర్. భౌతిక శాస్త్రం. 449, 110768 (2022).
కృష్ణప్రియన్, ఎ., ఘోలామి, ఎ., జె, ఎస్., కిర్బీ, ఆర్., మరియు మహోనీ, MW భౌతిక సమాచార నాడీ నెట్‌వర్క్‌లలో సాధ్యమయ్యే వైఫల్య మోడ్‌ల లక్షణాలు. న్యూరల్ ఇన్ఫర్మేషన్ ప్రాసెసింగ్ సిస్టమ్స్‌పై 35వ సమావేశం వాల్యూమ్. 34, 26548–26560 (న్యూర్‌ఐపిఎస్ 2021).
బాసిర్, ఎస్. మరియు సెనోకాక్, ఐ. భౌతిక శాస్త్ర ఆధారిత నాడీ నెట్‌వర్క్‌లలో వైఫల్య రీతులపై ఒక క్లిష్టమైన అధ్యయనం. AiAA SCITECH 2022 ఫోరమ్ 2353 (ARK, 2022) లో.
కర్నాకోవ్ పి., లిట్వినోవ్ ఎస్. మరియు కౌమౌట్సాకోస్ పి. వివిక్త నష్టాలను ఆప్టిమైజ్ చేయడం ద్వారా భౌతిక విలోమ సమస్యలను పరిష్కరించడం: నాడీ నెట్‌వర్క్‌లు లేకుండా వేగవంతమైన మరియు ఖచ్చితమైన అభ్యాసం. ప్రక్రియ. నేషనల్ అకాడమీ ఆఫ్ సైన్సెస్. సైన్స్. నెక్సస్ 3, pgae005 (2024).
గుండర్సెన్ OE పునరుత్పాదకత యొక్క ప్రాథమిక సూత్రాలు. ఫిల్.క్రాస్. ఆర్. షుకర్. A 379, 20200210 (2021).
అరోమాటారిస్ ఇ మరియు పియర్సన్ ఎ. క్రమబద్ధమైన సమీక్షలు: ఒక అవలోకనం. అవును. జె. నర్సింగ్ 114, 53–58 (2014).
మాగీరా, జె., రే, డి., హెస్తావెన్, జెఎస్, మరియు రోహ్డే, కె. రీమాన్ సమస్యకు నిర్బంధ-అవేర్ న్యూరల్ నెట్‌వర్క్‌లు. జె. కంప్యూటర్. భౌతిక శాస్త్రం. 409, 109345 (2020).
బెజ్గిన్ డిఎ, ష్మిత్ ఎస్జె మరియు ఆడమ్స్ ఎన్ఎ నాన్-క్లాసికల్ తగ్గిన వోల్టేజ్ షాక్‌ల కోసం డేటా-ఆధారిత భౌతికంగా తెలియజేయబడిన పరిమిత వాల్యూమ్ సర్క్యూట్. జె. కంప్యూటర్. భౌతిక శాస్త్రం. 437, 110324 (2021).