A Scientometric Review of Neural Differential Equations: Mapping Research Impact and Collaborative Networks
Notice bibliographique
Résumé
Neural Differential Equations (NDEs) represent an emerging class of machine learning models that combine the strengths of neural networks and differential equations to model continuous-time dynamics with high interpretability. This study presents a comprehensive bibliometric analysis of NDE research using data extracted from the Scopus database. Analytical tools such as Biblioshiny, VOSviewer, and CiteSpace were employed to uncover patterns, trends, and structural relationships within the field. The annual scientific production shows a significant growth trajectory, with a peak in 2023, indicating rising scholarly interest. Most relevant authors include Rackauckas, Nopens, and Chien, whose contributions have shaped the theoretical and applied dimensions of NDEs. Co-citation networks of both authors and journals revealed well-defined research clusters focused on deep learning techniques, scientific machine learning, and graph-based modeling. Country-wise analysis highlights the dominance of the United States and China, followed by notable contributions from the UK, Canada, and India. Keyword co-occurrence and trend analysis identified emerging themes such as “transformer,” “graph neural networks,” and “scientific machine learning,” reflecting ongoing methodological innovation. Thematic evolution and mapping show a shift from foundational terms to more specialized and interdisciplinary applications. Identified research gaps suggest a need for stronger theoretical integration, benchmark development, and application in real-world domains, offering practical implications for researchers and practitioners in AI, engineering, and applied sciences.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».