GCRI · زیرەکی دەستکرد و سیستەمە خۆسەرەکان
زیرەکی دەستکرد لە زانستدا
Machine learning now predicts protein structures, emulates weather and climate models, screens materials and helps analyse vast datasets. It can speed discovery, and it can also produce results that are hard to reproduce, overfit or rest on data leakage. This page sets out how AI is used in science, where it fails, how its results are checked, and what evidence serves the researchers, funders and journals involved.
AI in science in seven parts.
- 01The questionAI in science: how the risk develops
- 02لە ناو بوارەکانAI changes how each domain’s science is done
- 03نیشاندەرەکانWhat is measured, and how well
- 04سەرچاوەکانWhere the evidence comes from
- 05بڕیارەکانWho decides, and what the evidence serves
- 06Core questionsWhat scientists ask about AI in research
- 07MechanismsHow discovery and error both scale
AI in science: how the risk develops.
Discovery and reproducibility. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Learning from data replaces some simulation
Models trained on simulations or observations can emulate expensive calculations quickly. They are reliable within the range of their training data and uncertain outside it.
Leakage inflates results
When information from the test set reaches training, through duplicates, time overlap or preprocessing, reported accuracy overstates real performance. Leakage is a known cause of irreproducible ML science.
Openness enables checking
Results can be verified only when code, data, models and settings are shared. Proprietary models and data limit independent checks.
Scientists stay accountable
AI can suggest hypotheses and draft text, but researchers remain responsible for methods, interpretation and integrity. Journals and funders are setting rules for AI use.
تۆماری مۆدێلەکان.
The screen a team would use to follow this subject: its measures, states and decisions. Names are examples and values are illustrative.
تۆماری مۆدێلەکان
AI in science · Model registry · Release gate
مۆدێلەکان
| M-489 triage assistant | خزمەتگوزاریی گشتی | بەرز | 20 of 24 suites | بەربەستکراو |
| M-530 flood nowcast | زانست | ناوەند | 12 of 12 | بڵاوکراوەتەوە |
| M-079 document search | ناوخۆیی | کەم | 8 of 8 | بڵاوکراوەتەوە |
| M-881 agent planner | ئەیجێنتی | بەرز | 11 of 16 | لە هەڵسەنگاندندایە |
کارتی مۆدێل
- مەبەستی بەکارهێنان
- پشتگیریی هەڵبژاردنی کەیس، مرۆڤ بڕیار دەدات
- دەرەوەی سنوور
- بڕیاری شیاوی
- سنووردارییە ناسراوەکان
- وردیی کەمتر لە حاڵەتە دەگمەنەکاندا
- خاوەن
- خاوەنی مۆدێل
تۆماری ڕووداو
- D-19INCسەرچاوەی خەیاڵی لە پوختەدا
- D-8MITبناغەی گەڕانەوە زیاد کرا
- D-3INCدەرزیلێدانی فەرمان لە ڕێگەی فایلی بارکراوەوە
- D-1MITمۆڵەتی ئامراز تەسک کرایەوە
Evaluation scores
vs release threshold
AI changes how each domain’s science is done.
- ئاوهاوبەستیML models now rival process models in some prediction tasks.What to watchBenchmarks against process models
- تەندروستیهاوبەستیAI supports protein and pathogen research, raising dual-use questions.What to watchBiosecurity review of tools
- فرەجۆریی زیندەوەریهاوبەستیAutomated species identification scales monitoring.What to watchIdentification accuracy by region
Studies of AI in science are designed for the زنجیرەی Methods and Technical. Reproducibility requires code, data and model versions, recorded under NS-12 of the proposed Nexus Standards.
- Replications of AI-based results.
- Benchmarks with documented data.
How AI in science is modelled, measured and tested.
مۆدێلەکە، گریمانەکانی، داتاکانی و نادڵنیاییەکەی، بەو شێوەیەی زانا یان ئەندازیارێک دەیپشکنێت. پێکهاتەکان ڕێگا بڵاوکراوەکان دەگرنەبەر. بەهاکانی کێشراو نموونەییە، نەک دۆزینەوە.
مۆدێل، هاوکێشەکان و گریمانەکان
The model structure used for AI in science, the assumptions it makes and how each is tested.
Ri = f(Hi, Ei, Vi, Ci)مەترسیدەر، ڕووبەڕووبوون، لاوازی و توانای مامەڵەکردنEAL = ∑k pk · Lkبەسەر ڕووداوەکانی k بە ئەگەری ساڵانەی pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| گریمانە | بۆچی دروست دەکرێت | چۆن تاقی دەکرێتەوە |
|---|---|---|
| مەترسیدەر و ڕووبەڕووبوون لە ناو پێشهاتێکدا سەربەخۆن | ئینتێگراڵی زیان بە ئاسانی دەهێڵێتەوە | بەراورد بکە لەگەڵ گونجاندنی کۆپیولا لەسەر تۆمارە هاوبەشەکان |
| هاوبەستییەکان لە نزیک خاڵی کارکردن هێڵین | ڕێگە دەدات شۆکەکان بڵاو ببنەوە لە A | لە دەرەوەی مەودای هێڵیی شڵەژێنە و بەراورد بکە |
| چەمکەکانی لاوازی لە شوێنێکەوە بۆ شوێنێکی تر دەگوازرێنەوە | چەمکی ناوخۆیی بە دەگمەن بەردەستە | لەگەڵ زیانە چاودێریکراوەکان پشتڕاستی بکەرەوە کە هەن |
- تێکردنەکان
- کۆمەڵە داتای وەشانکراو لەگەڵ ڕەسەنایەتی
- دەرچووەکان
- دابەشبوون، نەک یەک ژمارە
- کۆد
- بڵاوکراوەتەوە لەگەڵ کارتی مۆدێل و تاقیکردنەوەکان
- بەرهەمهێنانەوە
- هەمان داتا، کۆد، ژینگە و تۆو
What is measured, and how well.
Each indicator carries its unit, its cadence, the kind of source behind it and the evidence label a value would carry. No values are shown: a programme supplies them under its own authority.
| Indicator | Unit | Cadence | Source type | ناونیشان |
|---|---|---|---|---|
| Studies sharing code and data | percent of published ML studies | per review | Publication audits | چاودێریکراو |
| Leakage issues identified in reviews | count by type | per review | Reproducibility studies | REPORTED |
| Out-of-distribution performance | error on held-out regimes | per evaluation | هەڵسەنگاندنی مۆدێل | چاودێریکراو |
| Emulator error against reference simulation | error metric | per evaluation | Validation runs | چاودێریکراو |
| Journals with AI use policies | count | annual | Publisher policies | DECLARED |
| Compute used for scientific model training | floating point operations | per model | Model documentation | مەزەندەکراو |
Where the evidence comes from.
Named public datasets and institutional records, each with its licence class. Sources by agreement are used only under their terms and never republished.
| سەرچاوە | What it gives | Licence class |
|---|---|---|
| Protein Data Bank and AlphaFold Protein Structure Database | Experimental and predicted protein structures | Open, CC0 and CC BY 4.0 respectively |
| WeatherBench and related benchmarks | Standard evaluation of data-driven weather models | Open, licence per benchmark (to check) |
| Princeton reproducibility studies on ML-based science | Survey of leakage and reproducibility failures | Licence per publication |
| Materials Project | Computed materials properties for screening | Open, CC BY 4.0 |
| Publisher and funder policies on AI use | Rules on authorship, disclosure and review | Public, terms per publisher |
Who decides, and what the evidence serves.
زیرەکی دەستکرد و سیستەم prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| کێ بڕیار دەدات | The question | Evidence this page serves |
|---|---|---|
| Research teams | Whether an ML result is robust enough to publish | Leakage checklists; validation protocols |
| Journals and reviewers | What evidence to require for ML-based claims | Reporting guidance; reproducibility evidence |
| Research funders | How to fund open models, data and compute for science | Openness and compute evidence |
Outputs this topic produces
- Leakage and reproducibility checklists for ML studies
- Validation protocols for scientific emulators
- Guidance on reporting AI use in research
- Case studies of AI in specific sciences
What scientists ask about AI in research.
- Does the AI-assisted result hold when tested independently, by experiment or observation?
- Is the model, data and code available so others can reproduce it?
- Has data leakage between training and evaluation inflated reported performance?
- Does the model extrapolate beyond the conditions its training data covered?
How discovery and error both scale.
Machine learning finds patterns in large datasets faster than people can, and surrogate models can emulate expensive simulations, allowing many more scenarios to be explored. In fields with good data and clear validation, such as structural biology, the gains have been substantial.
The risks are equally systematic. Leakage between training and test data has produced inflated results across many disciplines. Models trained on past data may not respect physical laws when extrapolating. Generative سیستەمە can fabricate plausible references or data. And when models and data are proprietary, results cannot be checked.
Keeping AI-assisted science reproducible.
- 01
Reporting standards
Checklists covering data splits, leakage checks, baselines and uncertainty. Standards help only if journals and reviewers enforce them.
- 02
Physics-informed and hybrid models
Combining learned components with known physical constraints, using زیرەکی دەستکرد و فێربوونی ئامێر and high-performance, cloud and edge computing. Constraints reduce but do not remove extrapolation risk.
- 03
Uncertainty estimation
Ensembles and Bayesian methods from ئەگەر و ئامار to flag predictions the model is unsure of. Uncertainty estimates can themselves be miscalibrated.
- 04
Open artefacts
Publishing code, data and model weights where rights allow, so others can reproduce and challenge results.
How it is studied, and what the methods cannot say.
- 01زیرەکی دەستکرد و فێربوونی ماشێنDistribution shift analysis · Fine-tuning for a specific use · Interpretability methodsApplied here
- 02ئەگەر و ئامارUncertainty on benchmark scores · Calibration assessment · Audit samplingApplied here
- 03کۆمپیوتەری کارایی بەرز، هەور و لێوارCompute access for public research · Energy measurement of workloadsApplied here
- 04ئەندازیاری هەڵسەنگاندن و دڵنیایی لە زیرەکی دەستکردAssurance cases for AI systems · Structured red teaming · Post-deployment monitoringApplied here
Where this page’s references lead.
ئەو لەش و بەڵگەنامانەی ئەم لاپەڕەیەیان لەگەڵ دەخوێنرێتەوە. دۆخ و وەشانەکان دەگۆڕێن؛ هەر بەستەرێک دەچێتە لای لەشی دەرکەر.
پرسیار و وەڵام.
What is data leakage in machine learning?
Can AI replace scientific simulation?
How should AI use in research be reported?
Can AI replace experiments?
What is data leakage?
Does the platform review scientific papers?
Are AI-generated hypotheses credited?
لەم لاپەڕەیەوە بەڵگە پێشکەش بکە.
Reports is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
- ئیمەیڵدەروازەی GW-GCRIلەم لاپەڕەیەوە بینێرەبەڵگە، ڕاستکردنەوە، بابەت، ڕێگا، پێداچوونەوە، وەرگێڕان یان تێکردنی پڕۆفایل. بە نیشانەی ئەم لاپەڕەیە دەگات، بۆ ئەوەی دەستکاریکەری خاوەنەکەی وەریبگرێت.
- Zenodoتەکیەی کراوەدایبنێ و بیدە بە کۆمەڵگاتۆماری خۆت لە Zenodo بە ORCID iD ی خۆت بڵاو بکەرەوە، پاشان لەوێ بیدە بە کۆمەڵگای Reports. سەرپەرشتیارەکان پێداچوونەوەی بۆ دەکەن؛ DOI هەر هی تۆیە.
- ReportsGCRIهەموو ڕێگاکانی بەشداری ببینەجۆرەکانی بەشداری، هەریەکە چۆن پێداچوونەوەی بۆ دەکرێت، چ ناوبردنێک وەردەگریت، مۆڵەتەکە و ئەوەی هەرگیز وەرناگیرێت.
هەرگیز داتای کەسی، وردەکاریی هەستیاری ژێرخان یان هیچ شتێک مەنێرە کە مافی بڵاوکردنەوەت نییە. بەشدارییەک پێش بەکارهێنان پێداچوونەوەی بۆ دەکرێت؛ ناردنی ماف نابەخشێت بە نووسەرایەتی یان بەڕێوەبردنی ڕاگەیاندن، و پاڵپشتی دارایی هەرگیز دۆزینەوەیەک ناکڕێت.
ڕێگایەک، کۆمەڵە داتایەک یان پرسیارێک بهێنە.
زانیاری و پرسیار ئەمڕۆ کراوەن. پرسیارێک ژمارەی ئاماژەی پێدەدرێت و هەنگاوی دواتر دیاری دەکات؛ داواکاری، پارەدان، تەرخانکردنی کۆمپیوتەر و تۆمارکردن تەنیا کاتێک دەکرێنەوە کە تیم، مەرج و توانای پێداچوونەوەیان هەبێت.
بەڵگەنامە یاساییەکان.
نەخشە، داتا و وێنەکانی ئەم ماڵپەڕە بۆ ناوەڕۆک و زانیاریی گشتی پیشان دراون. ئامۆژگاری، پێشبینی یان ئاگادارکردنەوە نین؛ سنوورەکانی زانیارییەکە لە ڕەتکردنەوەی بەرپرسیارێتی و ئاگاداریی داتادا دەستنیشان کراون.