AG竞咪厅官网

科研网上
服务大厅
您现在的位置: AG竞咪厅官网  > 通知公告  > 项目申报  > 正文

AG竞咪厅官网:关于可解释、可通用的下一代人工智能方法重大研究计划2022年度项目指南的通告

发布者:点击量:发布时间:2022-05-18

关于可解释、可通用的下一代人工智能方法重大研究计划2022年度项目指南的通告

?国科金发计〔2022〕18号

  

  国家自然科学基金委员会现发布可解释、可通用的下一代人工智能方法重大研究计划2022年度项目指南,请申请人及依托单位按项目指南中所述的要求和注意事项申请。

  

国家自然科学基金委员会

 

  

可解释、可通用的下一代人工智能方法重大研究计划2022年度项目指南

 

  “可解释、可通用的下一代人工智能方法”重大研究计划面向人工智能发展国家重大战略需求,以人工智能的基础科学问题为核心,发展人工智能新方法体系,促进我国人工智能基础研究和人才培养,支撑我国在新一轮国际科技竞争中的主导地位。

  基于深度学习的人工智能方法在许多场景取得了重要突破,但仍然存在模型可解释性差、对抗样本鲁棒性差、数据与算力需求大、理论基础薄弱等问题。基于以上问题,本重大研究计划旨在建立规则和学习的有效融合机制,打破现有深度学习“黑箱算法”的现状,建立一套可适用于不同领域、不同场景(语音、图像、视频等)的通用方法体系。

  一、科学目标

  本重大研究计划面向以深度学习为代表的人工智能方法鲁棒性差、可解释性差、对数据的强依赖等基础科学问题,挖掘机器学习的基本原理,发展可解释、可通用的下一代人工智能方法,并推动人工智能方法在科学领域的创新应用。

  二、核心科学问题

  本重大研究计划针对可解释、可通用的下一代人工智能方法的基础科学问题,围绕以下三个核心科学问题开展研究:

 。ㄒ唬┥疃妊暗幕驹

  深入挖掘深度学习模型对超参数的依赖关系,理解深度学习背后的工作原理,建立深度学习方法的逼近理论、泛化误差分析理论和优化算法的收敛性理论。

 。ǘ)可解释、可通用的下一代人工智能方法

  通过规则与学习结合的方式,建立高精度、可解释、可通用且不依赖大量标注数据的人工智能新方法。开发下一代人工智能方法需要的数据库和模型训练平台,完善下一代人工智能方法驱动的基础设施。

 。ㄈ┟嫦蚩蒲Я煊虻南乱淮斯ぶ悄芊椒ǖ挠τ

  发展新物理模型和算法,建设开源科学数据库、知识库、物理模型库和算法库,推动人工智能新方法在解决科学领域复杂问题上的示范性应用。

  三、2022年度资助研究方向

 。ㄒ唬┡嘤钅

  围绕上述科学问题,以总体科学目标为牵引,2022年度对于探索性强、选题新颖的申请项目,将以培育项目方式予以资助。研究方向如下(申报项目须覆盖以下单一方向中列出的部分或全部内容):

  1. 深度学习的表示理论和泛化理论

  研究多层全联接网络、卷积网络(以及其它带对称性的网络)、图神经网络、transformer网络、循环神经网络等模型的逼近性质,发展相应的高维函数空间理论和泛化误差分析理论,并在实际数据集上检验以上理论。

  2. 深度学习的训练动力学

  研究深度学习的损失景观,包括但不限于:临界点的分布及其嵌入结构、极小点的连通性等;深度学习中的非凸优化问题、优化算法的正则化理论和收敛行为;神经网络的过参数化和训练过程对于超参的依赖性问题、基于极大值原理的训练方法、训练时间复杂度和训练困难等问题;循环神经网络记忆灾难问题、编码-解码方法与Mori-Zwanzig方法的关联特性等。

  3. 微分方程与机器学习方法

  机器学习算法在微分方程正反问题求解方面的应用,需突破传统数值算法的瓶颈,实现正反问题的高效求解;高维微分方程的正则性理论与算法;微分方程解算子的逼近方法(如通过机器学习方法获得动理学方程、弹性力学方程、流体力学方程、Maxwell方程以及其它常用微分方程的解算子);微分方程经典算法和基于机器学习方法的融合;微分方程方法在机器学习中的应用(如用微分方程设计新的机器学习模型,设计和分析网络结构等)。

  4. 数据驱动与知识驱动融合的人工智能

  建立数据驱动的机器学习与知识驱动的符号计算相融合的新型人工智能理论和方法,突破神经网络模型不可解释的瓶颈;研究知识表示与推理框架、大规模隐式表达的知识获取、多源异构知识融合、知识融入的预训练模型、知识数据双驱动的决策推理等;探索不同场景中的应用。

  5. 安全可靠的下一代人工智能

  面向数据、模型和算法,构建安全可靠的人工智能方法。研究分布式去中心化学习、联邦学习、密码学等技术,构建隐私保护的数据应用新范式;研究深度学习模型在对抗样本、数据投毒、后门攻击等情况下的鲁棒性和安全性,发展对抗鲁棒和安全的新模型与学习方法;研究存在样本噪声、分布外数据等场景下的可靠机器学习方法、研究因果驱动的鲁棒决策和可靠推理;探索不同场景中的应用。

  6. 人工智能驱动的下一代科学计算理论及应用

  将机器学习与电子多体问题相结合,建立薛定谔方程数值解、第一性原理计算、增强采样、自由能计算、粗粒化分子动力学等的机器学习方法,探索机器学习在物质体系研究中的应用。

  针对典型的物理、化学、材料、生物、燃烧等领域的多尺度问题和动力学问题,通过融合物理模型与机器学习方法,探索复杂物理、化学、材料、生物等体系变量隐含物理关系的挖掘方法,建立构效关系的数学表达,构建具有通用性的跨尺度人工智能辅助计算理论和方法,解决典型复杂多尺度计算问题。

 。ǘ)重点支持项目

  围绕核心科学问题,以总体科学目标为牵引,对于前期研究成果积累较好、对总体目标在理论和关键技术上有较大贡献的申请项目,将以重点支持项目方式予以资助。建议研究内容包括,但不限于以下方向:

  1. 面向复杂数据的、可通用的人工智能算法框架

  针对多尺度复杂数据处理问题,研究多尺度表示的跨模态人工智能框架,适用于视频、语音、自然语言、点云、地理数据等不同模态的数据,实现小样本(相同精度下降低样本需求一万倍以上)、可解释、跨模态(不少于3个模态)和感知决策一体化方法。

  2. 新一代非结构化数据管理方法