近日，國家自然科學基金委員會發(fā)布可解釋、可通用的下一代人工智能方法重大研究計劃2023年度項目指南。其中提到，2023年度資助的重點支持項目包括“高精度、可解釋的譜學和影像數(shù)據(jù)分析方法”。

可解釋、可通用的下一代人工智能方法重大研究計劃面向人工智能發(fā)展國家重大戰(zhàn)略需求，以人工智能的基礎(chǔ)科學問題為核心，發(fā)展人工智能新方法體系，促進我國人工智能基礎(chǔ)研究和人才培養(yǎng)，支撐我國在新一輪國際科技競爭中的主導(dǎo)地位。

該計劃以深度學習的基本原理，可解釋、可通用的下一代人工智能方法，面向科學領(lǐng)域的下一代人工智能方法的應(yīng)用三大科學問題為核心，2023年計劃資助培育項目25～30項，直接費用資助強度約為80萬元/項，資助期限為3年，研究方向包括“深度學習的表示理論和泛化理論”等10個；計劃資助重點支持項目6～8項，直接費用資助強度約為300萬元/項，資助期限為4年，研究方向包括“經(jīng)典數(shù)值方法與人工智能融合的微分方程數(shù)值方法”等8個。

(相關(guān)資料圖)

其中，重點支持項目的“高精度、可解釋的譜學和影像數(shù)據(jù)分析方法”研究方向要求：發(fā)展光譜、質(zhì)譜和各類影像數(shù)據(jù)處理的人工智能方法。建立融合模擬與實驗數(shù)據(jù)的可解釋“譜-構(gòu)-效”模型，開發(fā)人工智能驅(qū)動的光譜實時解讀與反演軟件；基于AlphaFold等蛋白結(jié)構(gòu)預(yù)測方法，建立高精度冷凍電鏡蛋白結(jié)構(gòu)反演算法等。

人工智能與譜學以及各類成像技術(shù)的結(jié)合將有效提高分析數(shù)據(jù)的處理效率、精度等，還能夠讓分析數(shù)據(jù)處理環(huán)節(jié)的高度勞動密集型流程實現(xiàn)自動化。目前，國外儀器行業(yè)龍頭廠商都已經(jīng)開始利用人工智能技術(shù)分析儀器獲得的數(shù)據(jù)。我國在這一方面提供國家自然科學基金支持也有助于國產(chǎn)儀器技術(shù)的進一步發(fā)展，縮小與國外儀器廠商的差距。

2023年度資助研究方向

(一)培育項目。

圍繞上述科學問題，以總體科學目標為牽引，擬以培育項目的方式資助探索性強、選題新穎的申請項目，研究方向如下：

1. 深度學習的表示理論和泛化理論。

研究卷積神經(jīng)網(wǎng)絡(luò)(以及其它帶對稱性的網(wǎng)絡(luò))、圖神經(jīng)網(wǎng)絡(luò)、transformer網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、低精度神經(jīng)網(wǎng)絡(luò)、動態(tài)神經(jīng)網(wǎng)絡(luò)、生成擴散模型等模型的泛化誤差分析理論、魯棒性和穩(wěn)定性理論，并在實際數(shù)據(jù)集上進行檢驗；研究無監(jiān)督表示學習、預(yù)訓練-微調(diào)范式等方法的理論基礎(chǔ)，發(fā)展新的泛化分析方法，指導(dǎo)深度學習模型和算法設(shè)計。

2. 深度學習的訓練方法。

研究深度學習的損失景觀，包括但不限于：臨界點的分布及其嵌入結(jié)構(gòu)、極小點的連通性等，深度學習中的非凸優(yōu)化問題、優(yōu)化算法的正則化理論和收斂行為，神經(jīng)網(wǎng)絡(luò)的過參數(shù)化和訓練過程對于超參的依賴性問題、基于極大值原理的訓練方法、訓練時間復(fù)雜度等問題，循環(huán)神經(jīng)網(wǎng)絡(luò)記憶災(zāi)難問題、編碼-解碼方法與Mori-Zwanzig方法的關(guān)聯(lián)特性，發(fā)展收斂速度更快、時間復(fù)雜度更低的訓練算法及工具，建立卷積網(wǎng)絡(luò)、Transformer網(wǎng)絡(luò)、擴散模型、混合專家模型等特定模型的優(yōu)化理論及高效訓練方法，深度學習優(yōu)化過程對泛化性能的影響等。

3. 微分方程與機器學習。

研究求解微分方程正反問題及解算子逼近的概率機器學習方法；基于生成式擴散概率模型的物理場生成、模擬與補全框架；基于微分方程設(shè)計新的機器學習模型，設(shè)計和分析網(wǎng)絡(luò)結(jié)構(gòu)、加速模型的推理、分析神經(jīng)網(wǎng)絡(luò)的訓練過程。

面向具有實際應(yīng)用價值的反問題，研究機器學習求解微分方程的魯棒算法；研究傳統(tǒng)微分方程算法和機器學習方法的有效結(jié)合方法；研究高維微分方程的正則性理論與算法；研究微分方程解算子的逼近方法(如通過機器學習方法獲得動理學方程、彈性力學方程、流體力學方程、Maxwell方程以及其它常用微分方程的解算子)；融合機器學習方法處理科學計算的基礎(chǔ)問題(求解線性方程組、特征值問題等)。

4. 隱私保護的機器學習方法。

針對主流機器學習問題，結(jié)合安全多方計算、全同態(tài)加密、零知識證明等方法構(gòu)建具備實用性的可信機器學習環(huán)境。發(fā)展隱私保護協(xié)同訓練和預(yù)測方法，發(fā)展加密和隱私計算環(huán)境的特征聚類、查詢和多模型匯聚方法，發(fā)展加密跨域遷移學習方法，發(fā)展面向?qū)箻颖?、后門等分析、攻擊、防御和修復(fù)方法，研究機器學習框架對模型干擾、破壞和控制方法，發(fā)展可控精度的隱私計算方法。

5. 圖神經(jīng)網(wǎng)絡(luò)的新方法。

利用調(diào)和分析、粒子方程等數(shù)學理論解決深度圖網(wǎng)絡(luò)的過度光滑、過度擠壓等問題，針對多智能體網(wǎng)絡(luò)協(xié)同控制、藥物設(shè)計等重要應(yīng)用場景設(shè)計有效的、具有可解釋性的圖表示學習方法。

6. 腦科學啟發(fā)的新一代人工智能方法。

發(fā)展對大腦信息整合與編碼的定量數(shù)學刻畫和計算方法，設(shè)計新一代腦啟發(fā)的深度神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的表現(xiàn)性能；建立具有樹突幾何結(jié)構(gòu)和計算功能的人工神經(jīng)元數(shù)學模型，并用于發(fā)展包含生物神經(jīng)元樹突計算的深度神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的表現(xiàn)性能；發(fā)展包含多種生物神經(jīng)元生理特征和生物神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)特點的人工神經(jīng)網(wǎng)絡(luò)及其訓練算法，解決圖像識別、圖像恢復(fù)、醫(yī)學圖像重構(gòu)、地震波檢測等應(yīng)用問題。

7. 數(shù)據(jù)驅(qū)動與知識驅(qū)動融合的人工智能方法。

建立數(shù)據(jù)驅(qū)動的機器學習與知識驅(qū)動的符號計算相融合的新型人工智能理論和方法，突破神經(jīng)網(wǎng)絡(luò)模型不可解釋的瓶頸；研究知識表示與推理框架、大規(guī)模隱式表達的知識獲取、多源異構(gòu)知識融合、知識融入的預(yù)訓練模型、知識數(shù)據(jù)雙驅(qū)動的決策推理等，解決不同場景的應(yīng)用問題。

8. 生物醫(yī)藥領(lǐng)域的人工智能方法。

發(fā)展自動化程度高的先導(dǎo)化合物優(yōu)化方法，建立生物分子序列的深度生成模型，準確、高效生成滿足特定條件(空間結(jié)構(gòu)、功能、物化性質(zhì)、蛋白環(huán)境等)的分子序列；發(fā)展蛋白質(zhì)特征學習的人工智能新方法，用于蛋白質(zhì)功能、結(jié)構(gòu)、氨基酸突變后親和力與功能改變等預(yù)測以及蛋白質(zhì)與生物分子(蛋白、肽、RNA、配體等)相互作用預(yù)測；針對免疫性疾病等臨床表現(xiàn)差異大、預(yù)后差等問題，發(fā)展序列、結(jié)構(gòu)等抗體多模態(tài)數(shù)據(jù)融合和預(yù)測的人工智能模型，用于免疫性疾病的早期診斷和臨床分型等。

9. 科學計算領(lǐng)域的人工智能方法。

針對電子多體問題，建立薛定諤方程數(shù)值計算、第一性原理計算、增強采樣、自由能計算、粗?；肿觿恿W等的人工智能方法，探索人工智能方法在電池、電催化、合金、光伏等體系研究中的應(yīng)用。

針對典型的物理、化學、材料、生物、燃燒等領(lǐng)域的跨尺度問題和動力學問題，通過融合物理模型與人工智能方法，探索復(fù)雜體系變量隱含物理關(guān)系的挖掘方法，建立構(gòu)效關(guān)系的數(shù)學表達，構(gòu)建具有通用性的跨尺度人工智能輔助計算理論和方法，解決典型復(fù)雜多尺度計算問題。

10. 人工智能驅(qū)動的下一代微觀科學計算平臺。

發(fā)展基于人工智能的高精度、高效率的第一性原理方法；面向物理、化學、材料、生物等領(lǐng)域的實際復(fù)雜問題，建立多尺度模型，實現(xiàn)高精度、大尺度和高效率的分子動力學模擬方法；探索建立人工智能與科學計算雙驅(qū)動的“軟-硬件協(xié)同優(yōu)化”方法和科學計算專用平臺。

(二)重點支持項目。

圍繞核心科學問題，以總體科學目標為牽引，擬以重點支持項目的方式資助前期研究成果積累較好、對總體科學目標在理論和關(guān)鍵技術(shù)上能發(fā)揮推動作用、具備產(chǎn)學研用基礎(chǔ)的申請項目，研究方向如下：

1. 經(jīng)典數(shù)值方法與人工智能融合的微分方程數(shù)值方法。

設(shè)計融合經(jīng)典方法和人工智能方法優(yōu)勢的新型微分方程數(shù)值方法。針對經(jīng)典數(shù)值方法處理復(fù)雜區(qū)域的困難和人工智能方法效果的不確定性、誤差的不可控性，發(fā)展兼具穩(wěn)定收斂階和簡便性的新型算法；針對彈性力學、流體力學等微分方程，探索其解的復(fù)雜度與逼近函數(shù)表達能力之間的定量關(guān)系；開發(fā)針對三維含時問題的高效并行算法，并應(yīng)用到多孔介質(zhì)流等問題；發(fā)展求解微分方程反問題的新算法并用于求解實際問題。

2. 復(fù)雜離散優(yōu)化的人工智能求解器。

面向混合整數(shù)優(yōu)化、組合優(yōu)化等離散優(yōu)化問題，建立人工智能和領(lǐng)域知識結(jié)合的可通用的求解器框架；建立高精度求解方法和復(fù)雜約束問題的可控近似求解方法；發(fā)展超大規(guī)模并行求解方法和基于新型計算架構(gòu)的加速方法；在復(fù)雜、高效軟件設(shè)計等場景開展可靠性驗證。

3. 開放環(huán)境下多智能體協(xié)作的智能感知理論與方法。

針對多模態(tài)信息融合中由于數(shù)據(jù)視角、維度、密度、采集和標注難易程度不同而造成的融合難題，研究基于深度學習的融合模型，實現(xiàn)模態(tài)一致性并減少融合過程中信息損失；研究輕量級的模態(tài)間在線時空對齊方法；研究能容忍模態(tài)間非對齊狀態(tài)下的融合方法；研究用易采集、易標注模態(tài)數(shù)據(jù)引導(dǎo)的難采集、難標注模態(tài)數(shù)據(jù)的預(yù)訓練與微調(diào)方法；研究大規(guī)模多任務(wù)、多模態(tài)學習的預(yù)訓練方法，實現(xiàn)少樣本/零樣本遷移。

4. 可通用的專業(yè)領(lǐng)域人機交互方法。

針對多變輸入信號，建立自動化多語種語言、圖像、視頻等多模態(tài)數(shù)據(jù)生成模型，發(fā)展可解釋的多輪交互決策方法；建立機器學習和知識搜索的有效結(jié)合方法；探索新方法在不同專業(yè)領(lǐng)域場景中的應(yīng)用。

5. 下一代多模態(tài)數(shù)據(jù)編程框架。

發(fā)展面向超大規(guī)模多模態(tài)數(shù)據(jù)(文本、圖像、視頻、向量、時間序列、圖等)的存儲、索引、聯(lián)合查詢和分析方法。發(fā)展一體化的多模態(tài)數(shù)據(jù)編程框架，建立自動化數(shù)據(jù)生成、評估和篩選方法，實現(xiàn)自動知識發(fā)現(xiàn)和自動模型生成性能的突破，并完成超大規(guī)模、多模態(tài)數(shù)據(jù)集上的可靠性驗證。

6. 支持下一代人工智能的開放型高質(zhì)量科學數(shù)據(jù)庫。

研究跨領(lǐng)域、多模態(tài)科學數(shù)據(jù)的主動發(fā)現(xiàn)、統(tǒng)一存儲和統(tǒng)一管理方法。研究基于主動學習的科學數(shù)據(jù)、科技文獻知識抽取與融合方法。研究跨學科、多尺度科學數(shù)據(jù)的知識對象標識化、語義化構(gòu)建方法。研究融合領(lǐng)域知識的多模態(tài)預(yù)訓練語言模型，開發(fā)通用新型數(shù)據(jù)挖掘方法。形成具有一定國際影響力的覆蓋生命、化學、材料、遙感、空間科學等領(lǐng)域的高質(zhì)量、通用型科學數(shù)據(jù)庫，為人工智能驅(qū)動的科學研究新范式提供基礎(chǔ)科學數(shù)據(jù)資源服務(wù)。

7. 高精度、可解釋的譜學和影像數(shù)據(jù)分析方法。

發(fā)展光譜、質(zhì)譜和各類影像數(shù)據(jù)處理的人工智能方法。建立融合模擬與實驗數(shù)據(jù)的可解釋“譜-構(gòu)-效”模型，開發(fā)人工智能驅(qū)動的光譜實時解讀與反演軟件；基于AlphaFold等蛋白結(jié)構(gòu)預(yù)測方法，建立高精度冷凍電鏡蛋白結(jié)構(gòu)反演算法等。

8. 高精度、可解釋的生物大分子設(shè)計平臺。

建立人工智能驅(qū)動的定向進化方法，助力生物大分子優(yōu)化設(shè)計。發(fā)展兼顧數(shù)據(jù)推斷和物理機制篩選雙重優(yōu)勢且擴展性高的人工智能方法，輔助物理計算高維勢能面搜索。在醫(yī)用酶及大分子藥物設(shè)計上助力定向進化實驗，將傳統(tǒng)實驗時間降低50%以上，通過人工智能設(shè)計并濕實驗合成不小于3款高活性、高穩(wěn)定性、高特異性的新型醫(yī)用蛋白。發(fā)展基于人工智能的新一代生物大分子力場模型，大幅提升大分子模擬計算的可靠性，針對生物、醫(yī)藥、材料領(lǐng)域中的分子設(shè)計問題，實現(xiàn)化學精度的大尺度分子動力學模擬。

關(guān)鍵詞：