近日，國(guó)家自然科學(xué)基金委員會(huì)發(fā)布可解釋、可通用的下一代人工智能方法重大研究計(jì)劃2023年度項(xiàng)目指南。其中提到，2023年度資助的重點(diǎn)支持項(xiàng)目包括“高精度、可解釋的譜學(xué)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(jì)劃面向人工智能發(fā)展國(guó)家重大戰(zhàn)略需求，以人工智能的基礎(chǔ)科學(xué)問(wèn)題為核心，發(fā)展人工智能新方法體系，促進(jìn)我國(guó)人工智能基礎(chǔ)研究和人才培養(yǎng)，支撐我國(guó)在新一輪國(guó)際科技競(jìng)爭(zhēng)中的主導(dǎo)地位。

該計(jì)劃以深度學(xué)習(xí)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(xué)領(lǐng)域的下一代人工智能方法的應(yīng)用三大科學(xué)問(wèn)題為核心，2023年計(jì)劃資助培育項(xiàng)目25～30項(xiàng)，直接費(fèi)用資助強(qiáng)度約為80萬(wàn)元/項(xiàng)，資助期限為3年，研究方向包括“深度學(xué)習(xí)的表示理論和泛化理論”等10個(gè)；計(jì)劃資助重點(diǎn)支持項(xiàng)目6～8項(xiàng)，直接費(fèi)用資助強(qiáng)度約為300萬(wàn)元/項(xiàng)，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(gè)。

(相關(guān)資料圖)

其中，重點(diǎn)支持項(xiàng)目的“高精度、可解釋的譜學(xué)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(shí)驗(yàn)數(shù)據(jù)的可解釋“譜-構(gòu)-效”模型，開(kāi)發(fā)人工智能驅(qū)動(dòng)的光譜實(shí)時(shí)解讀與反演軟件；基于AlphaFold等蛋白結(jié)構(gòu)預(yù)測(cè)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(xué)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(dòng)密集型流程實(shí)現(xiàn)自動(dòng)化。目前，國(guó)外儀器行業(yè)龍頭廠商都已經(jīng)開(kāi)始利用人工智能技術(shù)分析儀器獲得的數(shù)據(jù)。我國(guó)在這一方面提供國(guó)家自然科學(xué)基金支持也有助于國(guó)產(chǎn)儀器技術(shù)的進(jìn)一步發(fā)展，縮小與國(guó)外儀器廠商的差距。

2023年度資助研究方向

(一)培育項(xiàng)目。

圍繞上述科學(xué)問(wèn)題，以總體科學(xué)目標(biāo)為牽引，擬以培育項(xiàng)目的方式資助探索性強(qiáng)、選題新穎的申請(qǐng)項(xiàng)目，研究方向如下：

1. 深度學(xué)習(xí)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(duì)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(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)、生成擴(kuò)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(shí)際數(shù)據(jù)集上進(jìn)行檢驗(yàn)；研究無(wú)監(jiān)督表示學(xué)習(xí)、預(yù)訓(xùn)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(xué)習(xí)模型和算法設(shè)計(jì)。

2. 深度學(xué)習(xí)的訓(xùn)練方法。

研究深度學(xué)習(xí)的損失景觀，包括但不限于：臨界點(diǎn)的分布及其嵌入結(jié)構(gòu)、極小點(diǎn)的連通性等，深度學(xué)習(xí)中的非凸優(yōu)化問(wèn)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(guò)參數(shù)化和訓(xùn)練過(guò)程對(duì)于超參的依賴性問(wèn)題、基于極大值原理的訓(xùn)練方法、訓(xùn)練時(shí)間復(fù)雜度等問(wèn)題，循環(huán)神經(jīng)網(wǎng)絡(luò)記憶災(zāi)難問(wèn)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(shí)間復(fù)雜度更低的訓(xùn)練算法及工具，建立卷積網(wǎng)絡(luò)、Transformer網(wǎng)絡(luò)、擴(kuò)散模型、混合專家模型等特定模型的優(yōu)化理論及高效訓(xùn)練方法，深度學(xué)習(xí)優(yōu)化過(guò)程對(duì)泛化性能的影響等。

3. 微分方程與機(jī)器學(xué)習(xí)。

研究求解微分方程正反問(wèn)題及解算子逼近的概率機(jī)器學(xué)習(xí)方法；基于生成式擴(kuò)散概率模型的物理場(chǎng)生成、模擬與補(bǔ)全框架；基于微分方程設(shè)計(jì)新的機(jī)器學(xué)習(xí)模型，設(shè)計(jì)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(xùn)練過(guò)程。

面向具有實(shí)際應(yīng)用價(jià)值的反問(wèn)題，研究機(jī)器學(xué)習(xí)求解微分方程的魯棒算法；研究傳統(tǒng)微分方程算法和機(jī)器學(xué)習(xí)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(guò)機(jī)器學(xué)習(xí)方法獲得動(dòng)理學(xué)方程、彈性力學(xué)方程、流體力學(xué)方程、Maxwell方程以及其它常用微分方程的解算子)；融合機(jī)器學(xué)習(xí)方法處理科學(xué)計(jì)算的基礎(chǔ)問(wèn)題(求解線性方程組、特征值問(wèn)題等)。

4. 隱私保護(hù)的機(jī)器學(xué)習(xí)方法。

針對(duì)主流機(jī)器學(xué)習(xí)問(wèn)題，結(jié)合安全多方計(jì)算、全同態(tài)加密、零知識(shí)證明等方法構(gòu)建具備實(shí)用性的可信機(jī)器學(xué)習(xí)環(huán)境。發(fā)展隱私保護(hù)協(xié)同訓(xùn)練和預(yù)測(cè)方法，發(fā)展加密和隱私計(jì)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(xué)習(xí)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(jī)器學(xué)習(xí)框架對(duì)模型干擾、破壞和控制方法，發(fā)展可控精度的隱私計(jì)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(xué)理論解決深度圖網(wǎng)絡(luò)的過(guò)度光滑、過(guò)度擠壓等問(wèn)題，針對(duì)多智能體網(wǎng)絡(luò)協(xié)同控制、藥物設(shè)計(jì)等重要應(yīng)用場(chǎng)景設(shè)計(jì)有效的、具有可解釋性的圖表示學(xué)習(xí)方法。

6. 腦科學(xué)啟發(fā)的新一代人工智能方法。

發(fā)展對(duì)大腦信息整合與編碼的定量數(shù)學(xué)刻畫和計(jì)算方法，設(shè)計(jì)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(shù)突幾何結(jié)構(gòu)和計(jì)算功能的人工神經(jīng)元數(shù)學(xué)模型，并用于發(fā)展包含生物神經(jīng)元樹(shù)突計(jì)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(diǎn)的人工神經(jīng)網(wǎng)絡(luò)及其訓(xùn)練算法，解決圖像識(shí)別、圖像恢復(fù)、醫(yī)學(xué)圖像重構(gòu)、地震波檢測(cè)等應(yīng)用問(wèn)題。

7. 數(shù)據(jù)驅(qū)動(dòng)與知識(shí)驅(qū)動(dòng)融合的人工智能方法。

建立數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)與知識(shí)驅(qū)動(dòng)的符號(hào)計(jì)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(shí)表示與推理框架、大規(guī)模隱式表達(dá)的知識(shí)獲取、多源異構(gòu)知識(shí)融合、知識(shí)融入的預(yù)訓(xùn)練模型、知識(shí)數(shù)據(jù)雙驅(qū)動(dòng)的決策推理等，解決不同場(chǎng)景的應(yīng)用問(wèn)題。

8. 生物醫(yī)藥領(lǐng)域的人工智能方法。

發(fā)展自動(dòng)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(zhǔn)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(xué)習(xí)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(cè)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(cè)；針對(duì)免疫性疾病等臨床表現(xiàn)差異大、預(yù)后差等問(wèn)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(cè)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(xué)計(jì)算領(lǐng)域的人工智能方法。

針對(duì)電子多體問(wèn)題，建立薛定諤方程數(shù)值計(jì)算、第一性原理計(jì)算、增強(qiáng)采樣、自由能計(jì)算、粗?；肿觿?dòng)力學(xué)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(duì)典型的物理、化學(xué)、材料、生物、燃燒等領(lǐng)域的跨尺度問(wèn)題和動(dòng)力學(xué)問(wèn)題，通過(guò)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(xué)表達(dá)，構(gòu)建具有通用性的跨尺度人工智能輔助計(jì)算理論和方法，解決典型復(fù)雜多尺度計(jì)算問(wèn)題。

10. 人工智能驅(qū)動(dòng)的下一代微觀科學(xué)計(jì)算平臺(tái)。

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(xué)、材料、生物等領(lǐng)域的實(shí)際復(fù)雜問(wèn)題，建立多尺度模型，實(shí)現(xiàn)高精度、大尺度和高效率的分子動(dòng)力學(xué)模擬方法；探索建立人工智能與科學(xué)計(jì)算雙驅(qū)動(dòng)的“軟-硬件協(xié)同優(yōu)化”方法和科學(xué)計(jì)算專用平臺(tái)。

(二)重點(diǎn)支持項(xiàng)目。

圍繞核心科學(xué)問(wèn)題，以總體科學(xué)目標(biāo)為牽引，擬以重點(diǎn)支持項(xiàng)目的方式資助前期研究成果積累較好、對(duì)總體科學(xué)目標(biāo)在理論和關(guān)鍵技術(shù)上能發(fā)揮推動(dòng)作用、具備產(chǎn)學(xué)研用基礎(chǔ)的申請(qǐng)項(xiàng)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(jì)融合經(jīng)典方法和人工智能方法優(yōu)勢(shì)的新型微分方程數(shù)值方法。針對(duì)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(jiǎn)便性的新型算法；針對(duì)彈性力學(xué)、流體力學(xué)等微分方程，探索其解的復(fù)雜度與逼近函數(shù)表達(dá)能力之間的定量關(guān)系；開(kāi)發(fā)針對(duì)三維含時(shí)問(wèn)題的高效并行算法，并應(yīng)用到多孔介質(zhì)流等問(wèn)題；發(fā)展求解微分方程反問(wèn)題的新算法并用于求解實(shí)際問(wèn)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(wèn)題，建立人工智能和領(lǐng)域知識(shí)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(wèn)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(jì)算架構(gòu)的加速方法；在復(fù)雜、高效軟件設(shè)計(jì)等場(chǎng)景開(kāi)展可靠性驗(yàn)證。

3. 開(kāi)放環(huán)境下多智能體協(xié)作的智能感知理論與方法。

針對(duì)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(biāo)注難易程度不同而造成的融合難題，研究基于深度學(xué)習(xí)的融合模型，實(shí)現(xiàn)模態(tài)一致性并減少融合過(guò)程中信息損失；研究輕量級(jí)的模態(tài)間在線時(shí)空對(duì)齊方法；研究能容忍模態(tài)間非對(duì)齊狀態(tài)下的融合方法；研究用易采集、易標(biāo)注模態(tài)數(shù)據(jù)引導(dǎo)的難采集、難標(biāo)注模態(tài)數(shù)據(jù)的預(yù)訓(xùn)練與微調(diào)方法；研究大規(guī)模多任務(wù)、多模態(tài)學(xué)習(xí)的預(yù)訓(xùn)練方法，實(shí)現(xiàn)少樣本/零樣本遷移。

4. 可通用的專業(yè)領(lǐng)域人機(jī)交互方法。

針對(duì)多變輸入信號(hào)，建立自動(dòng)化多語(yǔ)種語(yǔ)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(jī)器學(xué)習(xí)和知識(shí)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(chǎng)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(shí)間序列、圖等)的存儲(chǔ)、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(dòng)化數(shù)據(jù)生成、評(píng)估和篩選方法，實(shí)現(xiàn)自動(dòng)知識(shí)發(fā)現(xiàn)和自動(dòng)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(yàn)證。

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

研究跨領(lǐng)域、多模態(tài)科學(xué)數(shù)據(jù)的主動(dòng)發(fā)現(xiàn)、統(tǒng)一存儲(chǔ)和統(tǒng)一管理方法。研究基于主動(dòng)學(xué)習(xí)的科學(xué)數(shù)據(jù)、科技文獻(xiàn)知識(shí)抽取與融合方法。研究跨學(xué)科、多尺度科學(xué)數(shù)據(jù)的知識(shí)對(duì)象標(biāo)識(shí)化、語(yǔ)義化構(gòu)建方法。研究融合領(lǐng)域知識(shí)的多模態(tài)預(yù)訓(xùn)練語(yǔ)言模型，開(kāi)發(fā)通用新型數(shù)據(jù)挖掘方法。形成具有一定國(guó)際影響力的覆蓋生命、化學(xué)、材料、遙感、空間科學(xué)等領(lǐng)域的高質(zhì)量、通用型科學(xué)數(shù)據(jù)庫(kù)，為人工智能驅(qū)動(dòng)的科學(xué)研究新范式提供基礎(chǔ)科學(xué)數(shù)據(jù)資源服務(wù)。

7. 高精度、可解釋的譜學(xué)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(shí)驗(yàn)數(shù)據(jù)的可解釋“譜-構(gòu)-效”模型，開(kāi)發(fā)人工智能驅(qū)動(dòng)的光譜實(shí)時(shí)解讀與反演軟件；基于AlphaFold等蛋白結(jié)構(gòu)預(yù)測(cè)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(jì)平臺(tái)。

建立人工智能驅(qū)動(dòng)的定向進(jìn)化方法，助力生物大分子優(yōu)化設(shè)計(jì)。發(fā)展兼顧數(shù)據(jù)推斷和物理機(jī)制篩選雙重優(yōu)勢(shì)且擴(kuò)展性高的人工智能方法，輔助物理計(jì)算高維勢(shì)能面搜索。在醫(yī)用酶及大分子藥物設(shè)計(jì)上助力定向進(jìn)化實(shí)驗(yàn)，將傳統(tǒng)實(shí)驗(yàn)時(shí)間降低50%以上，通過(guò)人工智能設(shè)計(jì)并濕實(shí)驗(yàn)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(chǎng)模型，大幅提升大分子模擬計(jì)算的可靠性，針對(duì)生物、醫(yī)藥、材料領(lǐng)域中的分子設(shè)計(jì)問(wèn)題，實(shí)現(xiàn)化學(xué)精度的大尺度分子動(dòng)力學(xué)模擬。

關(guān)鍵詞：