2022年6月11日，中国计算机学会（CCF）在2022年青年精英大会（YEF 2022）期间，成功举办了“AI4Science：人工智能如何助力科学计算与发现？”专题论坛。本次论坛由中国计算机学会主办，CCF青年计算机科技论坛长沙分论坛AC委员会（YOCSEF长沙）、湖南大学信息科学与工程学院承办，中南大学计算机学院、湖南第一师范学院协办。YOCSEF长沙主席、湖南大学杨超副教授，YOCSEF长沙AC委员、中南大学王森章教授担任论坛执行主席。来自YOCSEF长沙分论坛学术委员会的满君丰、赵宝康、邝祝芳、付绍静、姜文君、陈海兵、张士庚、魏叶华、张世文、张嘉莲、廖璟、杨征、纪军刚、陈果及线上的近20000名专家学者共同参加了本次论坛。
随着人工智能技术的快速发展和广泛应用，对其他科学领域，包括数学、物理、生物信息、气象、材料等的科学发现范式产生了深刻的影响。例如，人工智能模型AlphaFold在蛋白质折叠预测方面取得了非常高的准确率，在科学界引起了广泛关注与讨论。如何将AI技术与其他科学领域深度融合，加速科研流程、助力科学发现、解决重大科学计算问题，成为当前人工智能以及其他科学领域的前沿交叉热点，并很有可能带来的新的科研范式的变革。AI for Science正在成为前沿热点研究问题，阿里达摩院在《2022十大科技趋势》报告中将AI4Science列为十大趋势之首，认为“人工智能成为科学家的新生产工具，催生科研新范式”。人工智能与机器学习顶级会议ICML2022和NeurIPS2021都举办了AI4Science的workshop，对相关问题进行聚焦研讨。美国的多所知名高校和科研机构也纷纷成立了AI4Science的研究实验室，包括加州理工、阿贡国家实验室、阿兰图灵实验室、MIT、谷歌DeepMind等。中国在2021年9月由鄂维南院士领衔成立了北京科学智能研究院，致力于将人工智能技术与科学研究相结合，推动科学研究范式的革新。鄂院士所领导的北京科学智能研究院，在融合机器学习方法和偏微分方程、流体动力学、分子动力学等方面作出了突破性的工作，团队利用机器学习方法将第一性原理精度的分子动力学的极限推到 1 亿个原子，获得了国际高性能计算领域最高奖戈登贝尔奖。
图1 论坛介绍
本次论坛邀请了中国科学院鄂维南院士为引导发言嘉宾，匹兹堡大学贾晓未助理教授、中国科学院理论物理研究所张潘研究员、中南大学李敏教授、中国科学技术大学陈景润教授及华为技术有限公司中央软件院王紫东博士为报告嘉宾，分别从物理机理引导的AI模型设计、基于AI的统计物理计算方法、基于AI的生物信息领域的知识发现、基于AI的偏微分方程求解方法进行阐述，进而从企业视角介绍AI4Science深度学习框架开发及若干应用与创新。
图2 中国科学院鄂维南院士做引导发言
鄂维南院士给我们带来的引导发言主题是《AI for Science时代我们应该如何规划自己的研究课题》，鄂院士188体育app官网：8月在北大静园首次组织了AI for Science研讨会，2021年9月领衔成立了北京科学智能研究院，致力于将人工智能技术与科学研究相结合，推动科学研究范式的革新。鄂院士高屋建瓴的用一张图概括了基于多尺度建模，应用量子力学、密度泛函、分子动力学模型来实现化学、物理、材料、机械工程、电子工程的物理模型。而AI对模型本身处理能力的提高，正迅速影响着数学、物理学、化学、材料学、生物学等各个传统科学领域。鄂院士指出AI for Science不能简单看成是另外一种机器学习或数据驱动的问题，需要深刻了解深层次的物理模型和科学模型，才能把AI for Science的研究推向深入。最后，鄂院士建议对AI for Science领域感兴趣的学者，特别是年轻学者在AI for Science的研究热潮中，要关注实际的物理模型、公式机理，要想清楚自己要解决的问题本质，选择具体的课题进行深入研究。该领域国内也有很好的工作，未来发展空间巨大，鼓励大家积极思考，做出更有意义的工作。
图3 匹兹堡大学贾晓未教授做学术报告
匹兹堡大学计算机学院的贾晓未教授给我们带来了《Physics Guided Machine Learning for Scientific Knowledge Discovery》的报告。贾晓未教授提到尽管数据科学模型和机器学习模型被广泛使用，但由于所建模对象的物理过程表示不完整或不准确，这些模型存在很大的局限性。传感器技术的发展使得我们可以获取大量数据，因此可以通过使用机器学习方法系统地推进这些领域的建模。然而，能否抓住这一机会取决于数据密集型科学发现的范式转变，因为机器的“黑箱”使用往往会导致科学应用中错误的科学发现。由于科学应用假设空间的复杂性，且解空间呈指数级增长，因此数据驱动的方法可能会产生不可解释的过拟合模型。尤其当缺乏标记样本时，这一问题会变得更严重。贾晓未教授通过探索将科学知识和机器学习模型结合的方法，为物理引导的机器学习奠定基础。其所提出的方法已经证明了在预测湖泊和河流系统水温方面的有效性。该工作也有可能极大地推动其他一些使用物理模型的科学和工程学科的发现，例如水文学、气候科学、材料科学、动力工程等。
图4 中科院理论物理研究所张潘研究员做报告
中科院理论物理研究所张潘研究员分享了《统计物理的计算方法：从平均场到神经网络，再到张量网络》的报告。在报告中，张潘研究员介绍了如何基于神经网络构造变分方法，基于张量网络怎么构造近似和严格算法，用于求解统计力学问题，并应用到自旋玻璃、机器学习以及量子计算机模拟等问题中。
图5 中南大学计算机学院李敏教授做报告
接下来，中南大学计算机学院李敏教授以“生物医学知识发现：人工智能方法及应用研究”为主题进行报告，将基于大数据的人工智能应用到生物医学领域，对复杂、高维、多源异构的生物医学大数据进行有效的挖掘提出了集成学习方法loop Predictor，对未知的蛋白质进行预测，并从基因组结构解析、蛋白质相互作用预测、药物靶标预测等不同层次的多个具体案例，探讨人工智能如何助力生物医学知识发现。进一步，提出BridgeDPI网络用于药物蛋白质相互作用预测。
图6 中国科学技术大学陈景润教授作报告
中国科学技术大学的陈景润教授带来《Solving Partial Differential Equations by Deep Neural Networks》的主题报告，主要介绍了如何利用深度神经网络来解偏微分方程。陈景润教授指出基于多项式预定义来求解问题的方法，对高维问题存在维数灾难，而机器学习方法可以解决高维问题。他将领域知识引入来设计高效的机器学习方法，主要围绕模型和优化两个问题，介绍了如何设计解决偏微分方程的深度神经网络模型。模型方面，提出用离散再学习的方法求解高维问题，可以有效处理解不�