提到AI,你首先会想到什么?五年前的人们会第一个想到的是AlphaGo下围棋, 但是现在大家或许会更津津乐道于AlphaFold预测蛋白质结构。
就在最近一两年,AI+科学作为一个崭新研究领域开始流行起来。正如众多年轻领域一样,它的方法论还需要更多的思考和讨论。
找不到讨论的平台?你来对了地方!ICML将举办一个AI+科学的研讨会,由来自全球顶尖机构(麻省理工、哈佛、斯坦福、剑桥、深势科技等)的研究人员举办,集结了AI+各科学领域的领跑者。
虽然这个workshop是第一次在ICML 2022出现,组织者们之前已经在NeurIPS 2021成功举办了第一届AI+科学研讨会,吸引了大量的研究人员,尤其是年轻的学生们关注到了这个同样年轻的AI+科学领域。这一次,他们将进一步讨论这个领域的发展前景和方法论。
这场研讨会的阵容十分豪华,包括AI+物理的Max Tegmark, AI+材料的Rafael Gomez-Bombarelli, AI+化学的Anima Anandkumar, AI+生物的Anthony Gitter,AI+应用数学的韩劼群, 等等。不少著名科学家都将参与其中。
麻省理工教授Max Tegmark,作为一个宇宙学教授和畅销书作家,从2016年开始关注和领跑AI+物理。他和学生们致力于用AI自动发现物理规律,目标以此加速物理学的进程。他将在研讨会上作“AI+物理”的演讲。
Anima Anandkumar教授, 不仅仅在学术界的加州理工领跑AI+Science initiative, 同时也在工业界的Nvidia做机器学习部门的主任。在这场研讨会上,她将作“AI+化学”相关主题的演讲。
那么,这场研讨会究竟要讨论什么?
会议的目标主要有六点:
● 挖掘AI+Science成功案例的理论原因,形成适用面更广泛的方法论。
● 澄清AI+Science目前的局限性和误区。
● 有潜力被AI解决,但至今仍被忽视的科学问题。
● 涉及多个交叉领域的方法论和合作模式
● AI+Science自身的科学性
● AI+Science模型如何“落地”,变得实用
组织改会议的研究人员认为,如果不研究清楚这些问题,未来AI+科学有可能会偏航,甚至已经阻碍了领域的发展。
这些问题里,包括对“先验知识”的处理——有的任务中,加入领域知识对模型性能有很大提升,比如等变神经网络预测分子力场;但在另一些任务中,黑盒模型或者暴力搜索却比基于知识的模型要好很多,比如下围棋。碰到一个全新任务时,我们到底应不应该把知识潜入模型呢?如何科学地、系统地解释这个“矛盾”呢?
此外,不少有潜力的领域还比较少用AI方法,比如模拟算法的设计、物理学猜想的证明/证伪、有效模型的设计等等。
因此,探索学科交叉点、方法的科学性、专用于科学的AI工具,是AI+研究人员必须要面对的问题。
当然,不止这些高校的学者和专家,现在你也可以参与进来,进行投稿和讨论。
会议的组织者来自MIT、斯坦佛、深势科技等高校和研究机构的教授和研究人员,其中不乏年轻的博士生。他们尤其欢迎各个领域的年轻人,和他们一起定义和塑造AI+科学这个领域。他们设置了三个投稿主题:
● 原创研究(Original Research Track): 欢迎AI+Science任何领域的原创研究,包括理化生、核科学、机械、农业、材料、建筑等。
● 学术评论(Attention Track): 如果你觉得AI在某些领域的研究“不切实际”或者“方向走偏了”,或者觉得AI能被应用到一些特殊领域,可以投稿这个主题。
● 工作总结(Highlight track): 如果你对某个领域或者某个问题有比较充分的调研和研究,想要写一个工作总结,可以投稿这个主题。该track和原创研究相比,更侧重对已经发表工作的总结。我们期待您的工作总结可以帮助新手快速入门。
提交截止日期至5月3日,研讨会将于2022年7月22~23日举办。感兴趣的小伙伴,可以戳下方官网进行投稿、报名:
http://www.ai4science.net/icml22/
在OpenReview提交论文:https://openreview.net/group?id=ICML.cc/2022/Workshop/AI4Science
欢迎关注我们的twitter获取最新讯息: @AI_for_Science
加入我们的slack channel积极讨论吧: https://join.slack.com/t/ai4sciencecommunity/shared_invite/zt-15rtaehdi-we~H~LhzZqrQTy6RtLGtug