В мире технологий искусственный интеллект и машинное обучение часто представляются как универсальные решения для научных задач. Однако новое исследование, проведенное учеными из Принстонского университета и Лаборатории плазменной физики Министерства энергетики США, ставит под сомнение эти оптимистичные представления. В своей работе они провели систематический обзор, сравнивая методы машинного обучения с традиционными подходами к решению уравнений в частных производных (УЧП), которые играют ключевую роль в различных научных областях, включая плазменную физику.
Исследование показало, что многие публикации искажали результаты в пользу машинного обучения, а негативные результаты часто не публиковались. Ученые предлагают два основных правила для более честных сравнений: сравнивать методы машинного обучения только с численными методами, обладающими равной точностью или временем выполнения, и использовать эффективные численные методы в качестве базовых.
По словам одного из авторов исследования, Нико МакГриви, хотя машинное обучение может быть немного быстрее в некоторых случаях, в большинстве ситуаций традиционные численные методы показывают лучшие результаты. Это подчеркивает необходимость более строгого подхода к оценке эффективности новых технологий.
Исследование также выявило проблемы с публикацией результатов, когда ученые не публикуют свои неудачи, что создает ложное впечатление о превосходстве машинного обучения. Ученые призывают к изменениям в научной культуре, чтобы обеспечить более честные и прозрачные исследования в этой области.