मशीन लर्निंग, जो कृत्रिम बुद्धिमत्ता का एक रूप है, को लेकर जो प्रचार है, उससे ऐसा लग सकता है कि सभी वैज्ञानिक समस्याओं को हल करने के लिए ऐसी तकनीकों का उपयोग करना केवल समय की बात है।जबकि प्रभावशाली दावे अक्सर किए जाते हैं, वे दावे हमेशा जांच के दायरे में नहीं आते।मशीन लर्निंग कुछ समस्याओं को हल करने के लिए उपयोगी हो सकती है लेकिन दूसरों के लिए कम पड़ जाती है।

मेंएक नया पेपरमेंनेचर मशीन इंटेलिजेंस, अमेरिकी ऊर्जा विभाग के प्रिंसटन प्लाज्मा भौतिकी प्रयोगशाला (पीपीपीएल) और प्रिंसटन विश्वविद्यालय के शोधकर्ताओं ने तुलना करते हुए अनुसंधान की एक व्यवस्थित समीक्षा कीयंत्र अधिगमद्रव-संबंधी आंशिक अंतर समीकरणों (पीडीई) को हल करने के पारंपरिक तरीकों के लिए।ऐसे समीकरण कई वैज्ञानिक क्षेत्रों में महत्वपूर्ण हैं, जिसमें प्लाज्मा अनुसंधान भी शामिल है जो बिजली ग्रिड के लिए संलयन शक्ति के विकास का समर्थन करता है।

शोधकर्ताओं ने पाया कि तरल पदार्थ से संबंधित पीडीई को हल करने के लिए मशीन सीखने के तरीकों और पारंपरिक तरीकों के बीच तुलना अक्सर मशीन सीखने के तरीकों के पक्ष में पक्षपाती होती है।उन्होंने यह भी पाया कि नकारात्मक परिणामों को लगातार कम बताया गया।वे निष्पक्ष तुलना करने के लिए नियम सुझाते हैं लेकिन तर्क देते हैंसांस्कृतिक परिवर्तनजो प्रणालीगत समस्याएँ प्रतीत होती हैं उन्हें ठीक करने के लिए भी इसकी आवश्यकता है।

पीपीपीएल के कम्प्यूटेशनल विज्ञान के उप प्रमुख और प्रमुख अन्वेषक अम्मार हकीम ने कहा, "हमारे शोध से पता चलता है कि, हालांकि मशीन लर्निंग में काफी संभावनाएं हैं, लेकिन वर्तमान साहित्य इन विशेष प्रकार के समीकरणों को हल करने के लिए मशीन लर्निंग कैसे काम करता है, इसकी अत्यधिक आशावादी तस्वीर पेश करता है।"अनुसंधान.

कमजोर आधार रेखाओं से परिणामों की तुलना करना

पीडीई भौतिकी में सर्वव्यापी हैं और गर्मी, द्रव प्रवाह और तरंगों जैसी प्राकृतिक घटनाओं को समझाने के लिए विशेष रूप से उपयोगी हैं।उदाहरण के लिए, गर्म सूप में रखे चम्मच की लंबाई के साथ तापमान का पता लगाने के लिए इस प्रकार के समीकरणों का उपयोग किया जा सकता है।

सूप और चम्मच के प्रारंभिक तापमान के साथ-साथ चम्मच में धातु के प्रकार को जानने के बाद, सूप में रखे जाने के बाद एक निश्चित समय पर बर्तन के साथ किसी भी बिंदु पर तापमान निर्धारित करने के लिए एक पीडीई का उपयोग किया जा सकता है।ऐसे समीकरणों का उपयोग प्लाज्मा भौतिकी में किया जाता है, क्योंकि प्लाज्मा को नियंत्रित करने वाले कई समीकरण गणितीय रूप से तरल पदार्थों के समान होते हैं।

वैज्ञानिकों और इंजीनियरों ने पीडीई को हल करने के लिए विभिन्न गणितीय दृष्टिकोण विकसित किए हैं।एक दृष्टिकोण के रूप में जाना जाता हैसंख्यात्मक तरीकेक्योंकि यह समस्याओं को विश्लेषणात्मक या प्रतीकात्मक के बजाय संख्यात्मक रूप से हल करता है, ताकि उन समस्याओं का अनुमानित समाधान खोजा जा सके जिन्हें ठीक से हल करना मुश्किल या असंभव है।

हाल ही में, शोधकर्ताओं ने पता लगाया है कि क्या इन पीडीई को हल करने के लिए मशीन लर्निंग का उपयोग किया जा सकता है।लक्ष्य अन्य तरीकों की तुलना में समस्याओं को तेजी से हल करना है।

सुनियोजित समीक्षापाया गया कि अधिकांश जर्नल लेखों में, मशीन लर्निंग उतना सफल नहीं रहा है जितना विज्ञापित किया गया है।निक मैकग्रेवी ने कहा, "हमारे शोध से संकेत मिलता है कि ऐसे कुछ मामले हो सकते हैं जहां तरल पदार्थ से संबंधित पीडीई को हल करने के लिए मशीन लर्निंग थोड़ी तेज हो सकती है, लेकिन ज्यादातर मामलों में, संख्यात्मक तरीके तेज होते हैं।"मैकग्रेवी पेपर के प्रमुख लेखक हैं और उन्होंने हाल ही में प्लाज़्मा भौतिकी में प्रिंसटन कार्यक्रम में डॉक्टरेट की उपाधि पूरी की है।

संख्यात्मक तरीकों में सटीकता और रनटाइम के बीच एक बुनियादी समझौता होता है।मैकग्रेवी ने कहा, "यदि आप समस्या को हल करने में अधिक समय बिताते हैं, तो आपको अधिक सटीक उत्तर मिलेगा।""कई अख़बारों ने अपनी तुलनाओं में इसे ध्यान में नहीं रखा।"

इसके अलावा, संख्यात्मक तरीकों के बीच गति में नाटकीय अंतर हो सकता है।मैकग्रेवी ने कहा, उपयोगी होने के लिए, मशीन सीखने के तरीकों को सर्वोत्तम संख्यात्मक तरीकों से बेहतर प्रदर्शन करने की आवश्यकता है।फिर भी उनके शोध में पाया गया कि तुलना अक्सर संख्यात्मक तरीकों से की जा रही थी जो सबसे तेज़ तरीकों की तुलना में बहुत धीमी थीं।

निष्पक्ष तुलना करने के लिए दो नियम

नतीजतन, पेपर इन समस्याओं को दूर करने के प्रयास के लिए दो नियम प्रस्तावित करता है।पहला नियम केवल मशीन सीखने के तरीकों की तुलना समान सटीकता या समान रनटाइम के संख्यात्मक तरीकों से करना है।दूसरा है मशीन सीखने के तरीकों की एक कुशल संख्यात्मक विधि से तुलना करना।

अध्ययन किए गए 82 जर्नल लेखों में से 76 ने दावा किया कि संख्यात्मक पद्धति की तुलना में मशीन लर्निंग पद्धति ने बेहतर प्रदर्शन किया।शोधकर्ताओं ने पाया कि मशीन लर्निंग पद्धति को बेहतर बताने वाले 79% लेखों में वास्तव में कमजोर आधार रेखा थी, जो कम से कम उन नियमों में से एक को तोड़ती थी।जर्नल के चार लेखों ने संख्यात्मक पद्धति की तुलना में खराब प्रदर्शन का दावा किया, और दो लेखों ने समान या विविध प्रदर्शन का दावा किया।

मैकग्रेवी ने कहा, "बहुत कम लेखों में मशीन लर्निंग के साथ खराब प्रदर्शन की सूचना दी गई है, इसलिए नहीं कि मशीन लर्निंग लगभग हमेशा बेहतर करती है, बल्कि इसलिए क्योंकि शोधकर्ता लगभग कभी भी ऐसे लेख प्रकाशित नहीं करते हैं जहां मशीन लर्निंग खराब प्रदर्शन करती है।"

मैकग्रेवी का मानना ​​है कि लो-बार तुलनाएं अक्सर अकादमिक प्रकाशन में विकृत प्रोत्साहन से प्रेरित होती हैं।"किसी पेपर को स्वीकृत कराने के लिए, यह कुछ प्रभावशाली परिणाम प्राप्त करने में मदद करता है। यह आपको अपने मशीन लर्निंग मॉडल को यथासंभव अच्छी तरह से काम करने के लिए प्रोत्साहित करता है, जो अच्छा है। हालाँकि, यदि आप आधारभूत विधि अपनाते हैं तो आप प्रभावशाली परिणाम भी प्राप्त कर सकते हैं।पुनः तुलना करना बहुत अच्छी तरह से काम नहीं करता है, परिणामस्वरूप, आपको अपनी आधार रेखा में सुधार करने के लिए प्रोत्साहन नहीं मिलता है, जो बुरा है," उन्होंने कहा।

कुल परिणाम यह है कि शोधकर्ता अपने मॉडलों पर कड़ी मेहनत करते हैं लेकिन तुलना के लिए आधार रेखा के रूप में सर्वोत्तम संभव संख्यात्मक विधि खोजने पर नहीं।

शोधकर्ताओं को पक्षपातपूर्ण रिपोर्टिंग के साक्ष्य भी मिले, जिनमें शामिल हैंप्रकाशन पूर्वाग्रहऔर परिणाम रिपोर्टिंग पूर्वाग्रह।प्रकाशन पूर्वाग्रह तब होता है जब एक शोधकर्ता यह महसूस करने के बाद अपने परिणामों को प्रकाशित नहीं करना चुनता है कि उनका मशीन लर्निंग मॉडल संख्यात्मक विधि से बेहतर प्रदर्शन नहीं करता है, जबकि परिणाम रिपोर्टिंग पूर्वाग्रह में विश्लेषण से नकारात्मक परिणामों को त्यागना या सफलता के गैर-मानक उपायों का उपयोग करना शामिल हो सकता है जो मशीन बनाते हैंसीखने के मॉडल अधिक सफल दिखाई देते हैं।

सामूहिक रूप से, रिपोर्टिंग पूर्वाग्रह नकारात्मक परिणामों को दबा देते हैं और एक समग्र धारणा बनाते हैं कि तरल पदार्थ से संबंधित पीडीई को हल करने में मशीन लर्निंग बेहतर है।हकीम ने कहा, "क्षेत्र में बहुत प्रचार है। उम्मीद है, हमारा काम कला की स्थिति को बेहतर बनाने के लिए मशीन लर्निंग का उपयोग करने के लिए सैद्धांतिक दृष्टिकोण के लिए दिशानिर्देश देता है।"

इन प्रणालीगत, सांस्कृतिक मुद्दों को दूर करने के लिए, हकीम का तर्क है कि अनुसंधान और बड़े सम्मेलनों को वित्तपोषित करने वाली एजेंसियों को कमजोर आधार रेखाओं के उपयोग को रोकने के लिए नीतियां अपनानी चाहिए या उपयोग की जाने वाली आधार रेखा और इसके चयन के कारणों के बारे में अधिक विस्तृत विवरण की आवश्यकता है।

हकीम ने कहा, "उन्हें अपने शोधकर्ताओं को अपने परिणामों पर संदेह करने के लिए प्रोत्साहित करने की ज़रूरत है।""अगर मुझे ऐसे परिणाम मिलते हैं जो सच होने के लिए बहुत अच्छे लगते हैं, तो वे संभवतः हैं।"