GCRI · कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ
विज्ञान में AI
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.
- 01प्रश्नAI in science: how the risk develops
- 02सभी क्षेत्रों मेंAI changes how each domain’s science is done
- 03संकेतकक्या मापा जाता है, और कितनी अच्छी तरह
- 04स्रोतसाक्ष्य कहाँ से आता है
- 05निर्णयकौन निर्णय लेता है, और साक्ष्य किसकी सेवा करता है
- 06मूल प्रश्नWhat scientists ask about AI in research
- 07तंत्रHow 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.
मॉडल रजिस्ट्री।
वह स्क्रीन जिसका उपयोग कोई टीम इस विषय का अनुसरण करने के लिए करेगी: इसके माप, अवस्थाएँ और निर्णय। नाम उदाहरण हैं और मान उदाहरणात्मक हैं।
मॉडल रजिस्ट्री
AI in science · Model registry · Release gate
मॉडल
| M-489 triage assistant | सार्वजनिक सेवा | उच्च | 20 of 24 suites | अवरुद्ध |
| M-530 flood nowcast | विज्ञान | मध्यम | 12 / 12 | जारी |
| M-079 document search | आंतरिक | निम्न | 8 of 8 | जारी |
| M-881 agent planner | एजेंटिक | उच्च | 11 of 16 | मूल्यांकन हो रहा है |
मॉडल कार्ड
- अभिप्रेत उपयोग
- प्राथमिकता-निर्धारण सहायता, निर्णय मनुष्य का
- दायरे से बाहर
- पात्रता निर्णय
- ज्ञात सीमाएँ
- दुर्लभ मामलों पर कम सटीकता
- स्वामी
- मॉडल स्वामी
घटना लॉग
- D-19INCसारांश में मनगढ़ंत उद्धरण
- D-8MITपुनर्प्राप्ति आधार जोड़ा गया
- D-3INCअपलोड की गई फ़ाइल के माध्यम से प्रॉम्प्ट इंजेक्शन
- D-1MITउपकरण अनुमति संकीर्ण की गई
Evaluation scores
vs release threshold
AI changes how each domain’s science is done.
- जलयुग्मनML models now rival process models in some prediction tasks.What to watchBenchmarks against process models
- स्वास्थ्ययुग्मनAI supports protein and pathogen research, raising dual-use questions.What to watchBiosecurity review of tools
- जैव विविधतायुग्मनAutomated species identification scales monitoring.What to watchIdentification accuracy by region
Studies of AI in science are designed for the पद्धतियाँ और तकनीकी शृंखला. 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.
मॉडल, उसकी मान्यताएँ, उसका डेटा और उसकी अनिश्चितता, उस रूप में जिसे कोई वैज्ञानिक या अभियंता जाँचेगा। संरचनाएँ प्रकाशित पद्धतियों का अनुसरण करती हैं। लिए गए मान उदाहरणात्मक हैं, निष्कर्ष नहीं।
मॉडल, समीकरण और मान्यताएँ
The model structure used for AI in science, the assumptions it makes and how each is tested.
Ri = f(Hi, Ei, Vi, Ci)संकट, जोखिम-संपर्क, भेद्यता और सामना करने की क्षमताEAL = ∑k pk · Lkवार्षिक प्रायिकता pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| धारणा | यह क्यों बनाया जाता है | इसका परीक्षण कैसे होता है |
|---|---|---|
| एक घटना के भीतर संकट और जोखिम-संपर्क स्वतंत्र हैं | नुकसान समाकलन को हल करने योग्य रखता है | संयुक्त अभिलेखों पर कोपुला फ़िट से तुलना करें |
| संचालन बिंदु के पास युग्मन रैखिक हैं | झटकों को A के माध्यम से फैलने देता है | रैखिक सीमा से आगे विक्षोभ दें और तुलना करें |
| भेद्यता वक्र स्थानों के बीच स्थानांतरित होते हैं | स्थानीय वक्र शायद ही कभी उपलब्ध होते हैं | जहाँ प्रेक्षित हानियाँ मौजूद हों, उनके विरुद्ध सत्यापन करें |
- इनपुट
- उद्गम के साथ संस्करणबद्ध डेटासेट
- परिणाम
- वितरण, कभी एकल संख्याएँ नहीं
- Code
- मॉडल कार्ड और परीक्षणों के साथ जारी
- पुनरुत्पादन
- वही डेटा, कोड, परिवेश और सीड
क्या मापा जाता है, और कितनी अच्छी तरह।
प्रत्येक संकेतक अपनी इकाई, आवृत्ति, उसके पीछे के स्रोत का प्रकार और वह साक्ष्य लेबल वहन करता है जो किसी मान पर होगा। कोई मान नहीं दिखाए जाते: कोई कार्यक्रम उन्हें अपने अधिकार के तहत प्रदान करता है।
| संकेतक | इकाई | लय | स्रोत प्रकार | लेबल |
|---|---|---|---|---|
| Studies sharing code and data | percent of published ML studies | प्रति समीक्षा | Publication audits | प्रेक्षित |
| Leakage issues identified in reviews | count by type | प्रति समीक्षा | Reproducibility studies | रिपोर्ट किया गया |
| Out-of-distribution performance | error on held-out regimes | per evaluation | मॉडल मूल्यांकन | प्रेक्षित |
| Emulator error against reference simulation | error metric | per evaluation | Validation runs | प्रेक्षित |
| Journals with AI use policies | गणना | वार्षिक | Publisher policies | घोषित |
| Compute used for scientific model training | floating point operations | per model | Model documentation | अनुमानित |
साक्ष्य कहाँ से आता है।
नामित सार्वजनिक डेटासेट और संस्थागत अभिलेख, प्रत्येक अपने लाइसेंस वर्ग के साथ। समझौते द्वारा प्राप्त स्रोतों का उपयोग केवल उनकी शर्तों के तहत होता है और कभी पुनः प्रकाशित नहीं किया जाता।
| स्रोत | यह क्या देता है | लाइसेंस वर्ग |
|---|---|---|
| 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 | खुला, CC BY 4.0 |
| Publisher and funder policies on AI use | Rules on authorship, disclosure and review | Public, terms per publisher |
कौन निर्णय लेता है, और साक्ष्य किसकी सेवा करता है।
कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| निर्णय कौन लेता है | प्रश्न | यह पृष्ठ जिस साक्ष्य की सेवा करता है |
|---|---|---|
| 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 |
| अनुसंधान वित्तपोषक | How to fund open models, data and compute for science | Openness and compute evidence |
इस विषय से उत्पन्न आउटपुट
- 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 प्रणालियाँ 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 कृत्रिम बुद्धिमत्ता और मशीन लर्निंग and high-performance, cloud and edge computing. Constraints reduce but do not remove extrapolation risk.
- 03
Uncertainty estimation
Ensembles and Bayesian methods from प्रायिकता और सांख्यिकी 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.
इसका अध्ययन कैसे होता है, और पद्धतियाँ क्या नहीं बता सकतीं।
- 01कृत्रिम बुद्धिमत्ता और मशीन लर्निंगवितरण परिवर्तन विश्लेषण · किसी विशिष्ट उपयोग के लिए फ़ाइन-ट्यूनिंग · व्याख्येयता पद्धतियाँयहाँ लागू
- 02प्रायिकता और सांख्यिकीबेंचमार्क अंकों पर अनिश्चितता · अंशांकन आकलन · लेखा परीक्षा प्रतिचयनयहाँ लागू
- 03उच्च-प्रदर्शन, क्लाउड और एज कंप्यूटिंगसार्वजनिक अनुसंधान के लिए कंप्यूट पहुँच · कार्यभारों का ऊर्जा मापनयहाँ लागू
- 04AI मूल्यांकन और आश्वासन अभियांत्रिकीAI प्रणालियों के लिए आश्वासन प्रकरण · संरचित रेड टीमिंग · परिनियोजन-पश्चात निगरानीयहाँ लागू
Where this page’s references lead.
वे निकाय और दस्तावेज़ जिनके विरुद्ध यह पृष्ठ पढ़ा जाता है। स्थिति और संस्करण बदलते हैं; हर लिंक जारी करने वाले निकाय तक जाता है।
प्रश्न और उत्तर।
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?
इस पृष्ठ से साक्ष्य का योगदान करें।
रिपोर्ट 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.
- ईमेलगेटवे GW-GCRIइसे इसी पृष्ठ से भेजेंसाक्ष्य, सुधार, मामला, पद्धति, समीक्षा, अनुवाद या प्रोफ़ाइल इनपुट। यह इस पृष्ठ के टैग के साथ पहुँचता है, ताकि इसे सँभालने वाले संपादक को मिल जाए।
- Zenodoखुला जमाइसे जमा करें और समुदाय को प्रस्तुत करेंअपने ORCID iD के साथ Zenodo पर अपना अभिलेख प्रकाशित करें, फिर वहाँ Reports समुदाय को प्रस्तुत करें। संरक्षक उसकी समीक्षा करते हैं; DOI आपका ही रहता है।
- रिपोर्टGCRIयोगदान के सभी तरीके देखेंयोगदान के प्रकार, प्रत्येक की समीक्षा कैसे होती है, आपको क्या श्रेय मिलता है, लाइसेंस और क्या कभी स्वीकार नहीं किया जाता।
व्यक्तिगत डेटा, संवेदनशील अवसंरचना का विवरण या ऐसी कोई भी सामग्री कभी न भेजें जिसे साझा करने का आपको अधिकार नहीं है। उपयोग से पहले योगदान की समीक्षा होती है; इसे भेजने से लेखकत्व या संपादकीय अधिकार नहीं मिलते, और प्रायोजन कभी किसी निष्कर्ष को नहीं खरीदता।
कोई विधि, डेटासेट या प्रश्न लाएँ।
जानकारी और पूछताछ आज से खुली हैं। हर पूछताछ को एक संदर्भ मिलता है और अगला कदम बताया जाता है; आवेदन, भुगतान, कंप्यूट आवंटन और पंजीकरण तभी खुलते हैं जब उनकी टीम, शर्तें और समीक्षा क्षमता मौजूद हों।
कानूनी दस्तावेज़।
इस साइट पर मानचित्र, डेटा और आँकड़े संदर्भ और सामान्य जानकारी के लिए दिखाए जाते हैं। वे सलाह, पूर्वानुमान या चेतावनियाँ नहीं हैं; जानकारी की सीमाएँ अस्वीकरण और डेटा सूचनाओं में बताई गई हैं।