బలహీనమైన బేస్‌లైన్‌లు మరియు రిపోర్టింగ్ బయాస్ ద్రవం-సంబంధిత పాక్షిక అవకలన సమీకరణాల యంత్ర అభ్యాసంలో అధిక ఆశావాదానికి దారితీస్తాయి.

నేచర్.కామ్ సందర్శించినందుకు ధన్యవాదాలు. మీరు ఉపయోగిస్తున్న బ్రౌజర్ యొక్క సంస్కరణకు పరిమిత CSS మద్దతు ఉంది. ఉత్తమ ఫలితాల కోసం, మీరు మీ బ్రౌజర్ యొక్క క్రొత్త సంస్కరణను ఉపయోగించాలని మేము సిఫార్సు చేస్తున్నాము (లేదా ఇంటర్నెట్ ఎక్స్‌ప్లోరర్‌లో అనుకూలత మోడ్‌ను నిలిపివేయండి). ఈ సమయంలో, కొనసాగుతున్న మద్దతును నిర్ధారించడానికి, మేము స్టైలింగ్ లేదా జావాస్క్రిప్ట్ లేకుండా సైట్‌ను చూపిస్తున్నాము.
గణన భౌతిక శాస్త్రంలో యంత్ర అభ్యాసం యొక్క అత్యంత ఆశాజనక అనువర్తనాల్లో ఒకటి పాక్షిక అవకలన సమీకరణాల (పిడిఇ) యొక్క వేగవంతమైన పరిష్కారం. యంత్ర అభ్యాస-ఆధారిత పాక్షిక అవకలన సమీకరణ పరిష్కరిణి యొక్క ప్రధాన లక్ష్యం ఏమిటంటే, బేస్లైన్ పోలికగా పనిచేయడానికి ప్రామాణిక సంఖ్యా పద్ధతుల కంటే వేగంగా ఖచ్చితమైన పరిష్కారాలను ఉత్పత్తి చేయడం. పాక్షిక అవకలన సమీకరణాలను పరిష్కరించడంపై మేము మొదట యంత్ర అభ్యాస సాహిత్యం యొక్క క్రమబద్ధమైన సమీక్షను నిర్వహిస్తాము. ద్రవం పాక్షిక అవకలన సమీకరణాలను పరిష్కరించడానికి మరియు ప్రామాణిక సంఖ్యా పద్ధతుల కంటే ఆధిపత్యాన్ని క్లెయిమ్ చేయడానికి ML వాడకాన్ని నివేదించే అన్ని పత్రాలలో, బలహీనమైన బేస్‌లైన్‌లతో పోలిస్తే మేము 79% (60/76) ను గుర్తించాము. రెండవది, విస్తృతమైన రిపోర్టింగ్ పక్షపాతానికి మేము ఆధారాలు కనుగొన్నాము, ముఖ్యంగా ఫలిత రిపోర్టింగ్ మరియు ప్రచురణ పక్షపాతంలో. పాక్షిక అవకలన సమీకరణాలను పరిష్కరించడంపై యంత్ర అభ్యాస పరిశోధన అతిగా ఆశాజనకంగా ఉందని మేము నిర్ధారించాము: బలహీనమైన ఇన్పుట్ డేటా మితిమీరిన సానుకూల ఫలితాలకు దారితీస్తుంది మరియు పక్షపాతాన్ని నివేదించడం ప్రతికూల ఫలితాలను తక్కువగా నివేదించడానికి దారితీస్తుంది. చాలావరకు, ఈ సమస్యలు గత పునరుత్పత్తి సంక్షోభాలకు సమానమైన కారకాల వల్ల సంభవిస్తాయి: పరిశోధకుల అభీష్టానుసారం మరియు సానుకూల ఫలిత పక్షపాతం. వికృత ప్రోత్సాహకాలను తగ్గించడానికి పక్షపాత రిపోర్టింగ్ మరియు టాప్-డౌన్ నిర్మాణ సంస్కరణలను తగ్గించడానికి మేము బాటమ్-అప్ సాంస్కృతిక మార్పు కోసం పిలుస్తాము.
క్రమబద్ధమైన సమీక్ష ద్వారా ఉత్పత్తి చేయబడిన రచయితలు మరియు వ్యాసాల జాబితా, అలాగే యాదృచ్ఛిక నమూనాలోని ప్రతి వ్యాసం యొక్క వర్గీకరణ, బహిరంగంగా https://doi.org/10.17605/osf.io/gq5b3 (ref. 124) వద్ద లభిస్తుంది.
టేబుల్ 2 లోని ఫలితాలను పునరుత్పత్తి చేయడానికి అవసరమైన కోడ్‌ను గితుబ్‌లో చూడవచ్చు: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) మరియు కోడ్ ఓషన్: https://codeocean.com/capsule/9605539/ చెట్టు/ వి 1 (లింక్ 126) మరియు https://codeocean.com/capsule/0799002/tree/v1 (లింక్ 127).
రాండాల్, డి., మరియు వెల్సర్, కె.
రిచీ, ఎస్. సైన్స్ ఫిక్షన్: హౌ మోసం, బయాస్, సైలెన్స్ మరియు హైప్ ట్రూత్ కోసం శోధనను అణగదొక్కాయి (వింటేజ్, 2020).
ఓపెన్ సైంటిఫిక్ సహకారం. మానసిక శాస్త్రంలో పునరుత్పత్తి సామర్థ్యాన్ని అంచనా వేయడం. సైన్స్ 349, AAAC4716 (2015).
ప్రింజ్, ఎఫ్., ష్లాంజ్, టి., మరియు అసారుల్లా, కె. నాట్. రెవ్. "ది డిస్కవరీ ఆఫ్ డ్రగ్స్." 10, 712 (2011).
బెగ్లీ, కెజి మరియు ఎల్లిస్, ఎల్ఎమ్ ప్రిలినికల్ క్యాన్సర్ పరిశోధనలో ప్రమాణాలను పెంచుతుంది. ప్రకృతి 483, 531–533 (2012).
ఎ. జెల్మాన్ మరియు ఇ. 348, 1–17 (డిపార్ట్‌మెంట్ ఆఫ్ స్టాటిస్టిక్స్, 2013).
కరాగియోర్గి, జి., కాసేకా, జి., క్రావిట్జ్, ఎస్., నాచ్మన్, బి., మరియు షి, డి. మెషిన్ లెర్నింగ్ ఇన్ సెర్చ్ ఆఫ్ న్యూ ఫండమెంటల్ ఫిజిక్స్. నాట్. భౌతిక శాస్త్రంలో డాక్టర్ ఆఫ్ ఫిలాసఫీ. 4, 399–412 (2022).
దారా ఎస్, డామెర్చెర్లా ఎస్, జాదవ్ ఎస్ఎస్, బాబు సిఎమ్ మరియు అహ్సాన్ ఎంజె. Drug షధ ఆవిష్కరణలో యంత్ర అభ్యాసం: ఒక సమీక్ష. అటిఫ్. ఇంటెల్. సం. 55, 1947-1999 (2022).
మాథర్, మరియు కూట్, కెమిస్ట్రీలో ML డీప్ లెర్నింగ్. J.Chemistry. తెలియజేయండి. మోడల్. 59, 2545-2559 (2019).
రాజ్కోమర్ ఎ., డీన్ జె. మరియు కోహన్ I. మెషిన్ లెర్నింగ్ ఇన్ మెడిసిన్. న్యూ ఇంగ్లాండ్ జర్నల్ ఆఫ్ మెడిసిన్. 380, 1347-1358 (2019).
గ్రిమ్మర్ జె, రాబర్ట్స్ మి. మరియు సోషల్ సైన్సెస్‌లో స్టీవర్ట్ BM మెషిన్ లెర్నింగ్: యాన్ అజ్ఞేయ విధానం. రెవ్. ఆన్ బాల్. సైన్స్. 24, 395–419 (2021).
జంప్, జె. మరియు ఇతరులు. ఆల్ఫాఫోల్డ్ ఉపయోగించి అత్యంత ఖచ్చితమైన ప్రోటీన్ నిర్మాణ అంచనాలను తయారు చేయండి. ప్రకృతి 596, 583–589 (2021).
గుండర్సన్, ఓ, కోక్లీ, కె., కిర్క్‌పాట్రిక్, కె., మరియు గిల్, వై. ప్రిప్రింట్ https://arxiv.org/abs/2204.07610 (2022) వద్ద లభిస్తుంది.
స్కల్లీ, డి., స్నూక్, జె., విల్ట్స్చ్కో, ఎ., మరియు రహీమి, ఎ. విన్నర్స్ కర్స్? ఆన్ ది స్పీడ్, పురోగతి మరియు అనుభావిక సాక్ష్యం (ఐసిఎల్ఆర్, 2018).
ఆర్మ్‌స్ట్రాంగ్, టిజి, మోఫాట్, ఎ., వెబ్బర్, డబ్ల్యూ., మరియు జోబెల్, జె.
కపూర్, ఎస్. మరియు నారాయణన్, ఎ. లీకేజ్ అండ్ పునరుత్పత్తి సంక్షోభాలు మెషిన్ లెర్నింగ్-బేస్డ్ సైన్స్. నమూనాలు, 4, 100804 (2023).
కపూర్ ఎస్. మరియు ఇతరులు. సంస్కరణ: యంత్ర అభ్యాసం ఆధారంగా శాస్త్రీయ రిపోర్టింగ్ ప్రమాణాలు. ప్రిప్రింట్ https://arxiv.org/abs/2308.07832 (2023) వద్ద లభిస్తుంది.
డెమాసి, ఓ., కార్డింగ్, సి., మరియు రీచ్ట్, బి. అర్థరహిత పోలికలు వైద్య యంత్ర అభ్యాసంలో తప్పుడు ఆశావాదానికి దారితీస్తాయి. PLOS ONE 12, E0184604 (2017).
రాబర్ట్స్, ఎం., మరియు ఇతరులు. ఛాతీ ఎక్స్-కిరణాలు మరియు కంప్యూటెడ్ టోమోగ్రఫీ నుండి కోవిడ్ -19 ను గుర్తించడానికి మరియు అంచనా వేయడానికి మెషిన్ లెర్నింగ్‌ను ఉపయోగించడం కోసం సాధారణ ఆపదలు మరియు ఉత్తమ పద్ధతులు. నాట్. గరిష్టంగా. ఇంటెల్. 3, 199-217 (2021).
వినాంట్జ్ ఎల్. మరియు ఇతరులు. COVID-19 యొక్క రోగ నిర్ధారణ మరియు రోగ నిరూపణ కోసం ప్రిడిక్టివ్ మోడల్స్: ఒక క్రమబద్ధమైన సమీక్ష మరియు క్లిష్టమైన మదింపు. BMJ 369, M1328 (2020).
వేలెన్ ఎస్. నాట్. పాస్టర్ జినెట్. 23, 169–181 (2022).
అట్రిస్ ఎన్. మరియు ఇతరులు. కెమిస్ట్రీలో మెషిన్ లెర్నింగ్ కోసం ఉత్తమ పద్ధతులు. నాట్. రసాయనం. 13, 505-508 (2021).
పాక్షిక అవకలన సమీకరణాల యంత్ర అభ్యాసానికి బ్రుంటన్ ఎస్ఎల్ మరియు కుట్జ్ జెఎన్ వాగ్దానం చేసే దిశలు. నాట్. లెక్కించండి. సైన్స్. 4, 483-494 (2024).
వినుసా, ఆర్. మరియు బ్రుంటన్, ఎస్ఎల్ మెషిన్ లెర్నింగ్ ద్వారా గణన ద్రవ డైనమిక్స్ను మెరుగుపరుస్తుంది. నాట్. లెక్కించండి. సైన్స్. 2, 358–366 (2022).
కామెయు, ఎస్. మరియు ఇతరులు. భౌతికంగా సమాచారం ఉన్న న్యూరల్ నెట్‌వర్క్‌లతో శాస్త్రీయ యంత్ర అభ్యాసం: మేము ఇప్పుడు ఎక్కడ ఉన్నాము మరియు తరువాత ఏమి ఉంది. జె. సైన్స్. లెక్కించండి. 92, 88 (2022).
డేటా యుగంలో దురైసామి, కె., యక్కారినో, జి., మరియు జియావో, హెచ్. అల్లకల్లోలం మోడలింగ్. ఆన్ యొక్క సవరించిన ఎడిషన్. 51, 357–377 (2019).
డురాన్, జియోఫిజికల్ హైడ్రోడైనమిక్స్లో తరంగ సమీకరణాలను పరిష్కరించడానికి డాక్టర్ న్యూమరికల్ మెథడ్స్, వాల్యూమ్. 32 (స్ప్రింగర్, 2013).
మిశ్రా, ఎస్. అవకలన సమీకరణాల డేటా-ఆధారిత గణనను వేగవంతం చేయడానికి మెషిన్ లెర్నింగ్ ఫ్రేమ్‌వర్క్. గణితం. ఇంజనీర్. https://doi.org/10.3934/mine.2018.1.118 (2018).
కొచికోవ్ డి. మరియు ఇతరులు. యంత్ర అభ్యాసం - గణన ద్రవ డైనమిక్స్ యొక్క త్వరణం. ప్రక్రియ. నేషనల్ అకాడమీ ఆఫ్ సైన్సెస్. సైన్స్. US 118, E2101784118 (2021).
కడపా, కె. మెషిన్ లెర్నింగ్ ఫర్ కంప్యూటర్ సైన్స్ అండ్ ఇంజనీరింగ్ - క్లుప్త పరిచయం మరియు కొన్ని ముఖ్య సమస్యలు. ప్రిప్రింట్ https://arxiv.org/abs/2112.12054 (2021) వద్ద లభిస్తుంది.
రాస్, ఎ., లి, జెడ్., పెరెజోగిన్, పి., ఫెర్నాండెజ్-గ్రాండ్, సి., మరియు జన్నా, ఎల్. J.ADV. మోడల్. భూమి వ్యవస్థ. 15. E2022MS003258 (2023).
లిప్పే, పి., వైలింగ్, బి., పెర్డికారిస్, పి., టర్నర్, ఆర్., మరియు బ్రాండ్‌స్టెటర్, జె. న్యూరల్ ఇన్ఫర్మేషన్ ప్రాసెసింగ్ సిస్టమ్‌లపై 37 వ కాన్ఫరెన్స్ (న్యూర్స్ 2023).
ఫ్రాచాస్, పిఆర్ మరియు ఇతరులు. సంక్లిష్ట స్పాటియోటెంపోరల్ డైనమిక్స్ను అంచనా వేయడానికి పునరావృత న్యూరల్ నెట్‌వర్క్‌లలో బ్యాక్‌ప్రొపగేషన్ అల్గోరిథం మరియు రిజర్వాయర్ గణన. న్యూరల్ నెట్‌వర్క్. 126, 191-217 (2020).
రైస్సీ, ఎం., పెర్డికారిస్, పి. మరియు కర్నియాడకిస్, జిఇ ఫిజిక్స్, కంప్యూటర్ సైన్స్, న్యూరల్ నెట్‌వర్క్‌లు: నాన్ లీనియర్ పాక్షిక అవకలన సమీకరణాలతో కూడిన ముందుకు మరియు విలోమ సమస్యలను పరిష్కరించడానికి లోతైన అభ్యాస చట్రం. జె. కంప్యూటర్. భౌతికశాస్త్రం. 378, 686-707 (2019).
గ్రాస్మాన్, టిజి, కొమోరోవ్స్కా, యుజె, లుట్జ్, జె., మరియు షాన్లీబ్, కె.బి. భౌతిక-ఆధారిత న్యూరల్ నెట్‌వర్క్‌లు పరిమిత మూలకం పద్ధతులను అధిగమించవచ్చా? ఇమా జె. అప్లికేషన్స్. గణితం. 89, 143–174 (2024).
డి లా మాతా, ఎఫ్ఎఫ్, గిజోన్, ఎ., మోలినా-సోలానా, ఎం., మరియు గోమెజ్-రొమెరో, జె. డేటా-ఆధారిత మోడలింగ్ కోసం భౌతిక-ఆధారిత న్యూరల్ నెట్‌వర్క్‌లు: ప్రయోజనాలు, పరిమితులు మరియు అవకాశాలు. భౌతికశాస్త్రం. A 610, 128415 (2023).
జువాంగ్, పి.ఎ-వై. & బార్బా, LA ఫ్లూయిడ్ మోడలింగ్‌లో భౌతిక-ఆధారిత న్యూరల్ నెట్‌వర్క్‌లపై అనుభావిక నివేదిక: ఆపదలు మరియు నిరాశలు. ప్రిప్రింట్ https://arxiv.org/abs/2205.14249 (2022) వద్ద లభిస్తుంది.
జువాంగ్, పి.ఎ-వై. మరియు బార్బా, సుడి నిర్మాణంపై భౌతికంగా సమాచారం ఇవ్వబడిన న్యూరల్ నెట్‌వర్క్‌ల యొక్క LA అంచనా పరిమితులు. ప్రిప్రింట్ https://arxiv.org/abs/2306.00230 (2023) వద్ద లభిస్తుంది.
వాంగ్, ఎస్., యు, హెచ్., మరియు పెర్డికారిస్, పి. జె. కంప్యూటర్. భౌతికశాస్త్రం. 449, 110768 (2022).
కృష్ణప్రియన్, ఎ., ఘోలామి, ఎ., ZHE, S., కిర్బీ, R., మరియు మహోనీ, భౌతిక సమాచార న్యూరల్ నెట్‌వర్క్‌లలో సాధ్యమయ్యే వైఫల్య మోడ్‌ల MW లక్షణాలు. న్యూరల్ ఇన్ఫర్మేషన్ ప్రాసెసింగ్ సిస్టమ్స్ వాల్యూమ్ పై 35 వ సమావేశం. 34, 26548-26560 (న్యూర్స్ 2021).
బసిర్, ఎస్. మరియు సెనోకాక్, I. భౌతిక-ఆధారిత న్యూరల్ నెట్‌వర్క్‌లలో వైఫల్య మోడ్‌ల యొక్క క్లిష్టమైన అధ్యయనం. AIAA సైటెక్ 2022 ఫోరం 2353 (ఆర్క్, 2022) లో.
కర్నాకోవ్ పి., లిట్వినోవ్ ఎస్. మరియు కౌమౌట్సాకోస్ పి. ప్రక్రియ. నేషనల్ అకాడమీ ఆఫ్ సైన్సెస్. సైన్స్. నెక్సస్ 3, PGAE005 (2024).
గూండర్సన్ OE పునరుత్పత్తి 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).
మాజిరా, జె., రే, డి., హెస్టావెన్, జెఎస్, మరియు రోహ్డే, కె. జె. కంప్యూటర్. భౌతికశాస్త్రం. 409, 109345 (2020).
బెజ్గిన్ డిఎ, ష్మిత్ ఎస్జె మరియు ఆడమ్స్ ఎన్ఎ డేటా-నడిచే భౌతికంగా నాన్-క్లాసికల్ తగ్గిన వోల్టేజ్ షాక్‌ల కోసం శారీరకంగా సమాచారం ఇచ్చిన పరిమిత వాల్యూమ్ సర్క్యూట్. జె. కంప్యూటర్. భౌతికశాస్త్రం. 437, 110324 (2021).