电子元件与材料论文格式标准(电子材料论文1(5)
(三)物理领域
2018年8月,美国能源部斯坦福直线加速器中心和费米国家加速器实验室的研究人员合作,在《Nature》期刊上发表题为“在粒子物理学的能量和强度边界应用机器学习”的文章,总结了在粒子物理学的前沿使用机器学习所带来的机遇和挑战。
欧洲核子研究中心(CERN)的大型强子对撞机(LHC)是目前世界上最大的粒子加速器,其每秒可产生一百万吉字节(GB)的数据。如此海量的数据,给存储和分析带来了极大难题。研究人员利用专用的硬件和软件,通过机器学习技术来实时决定哪些数据需要保存,哪些数据可以丢弃。结果表明,机器学习算法可以至少做出其中70%的决定,大大减少了人类科学家的工作量。
近期人工智能在物理学领域的应用,除大型强子对撞机的数据分析外,还包括以下几方面:
2018年9月,美国劳伦斯伯克利国家实验室的科研人员与英特尔、克雷公司的工程师合作,利用深度学习技术开发出物理科学应用程序CosmoFlow,可用于处理大型三维宇宙学数据集。(发表于arxiv.org)
2018年9月,美国加州大学伯克利分校Breakthrough Listen项目的研究人员利用机器学习基础,从距离地球约30亿光年的光源中发现了72个新的宇宙无线电爆发。(发表于《The Astrophysical Journal》)
二、人工智能在基础科研领域中扮演什么角色?
材料、化学、物理等基础科研领域的发展,是大国科技竞争力的重要保证,其直接决定了社会各方面进步的步伐,重要性不言而喻。在AI 2.0时代,如何利用大数据挖掘和人工智能技术为基础科研领域赋能,成为了基础科学实现“弯道超车”的重要命题。
(一)传统科研模式需要进一步革新
2007年,图灵奖得主Jim Gray在NRC-CSTB大会上提出了科学研究的四类范式:经验科学(实验科学)是第一范式,在研究方法上以归纳为主,带有较多盲目性的观测和实验;理论科学是第二范式,偏重理论总结和理性概括,在研究方法上以演绎法为主;计算科学是第三范式,主要根据现有理论的模拟仿真计算,再进行少量的实验验证;数据密集型科学即第四范式,它以大量数据为前提,运用机器学习、数据挖掘技术,可从大量已知数据中得到未知理论。
以材料科学为例,当前普遍采用的基础科研模式主要以第一、二范式为主,第三范式为辅。在实际科研工作中,传统模式带来的问题主要有:一是重复性劳动过多,新材料研发环节中变量多,“试错法型”的实验量繁杂;二是“失败实验”的数据遭抛弃,海量数据沉默,无法被人有效利用;三是耗时太长,以航空涡轮发动机为例,单晶高温合金叶片的研制周期往往长达10年以上。
随着互联网时代的发展,数据传播、分享的门槛大大降低,而计算机硬件计算能力的提升又令大数据的计算分析成为可能,从而催生了科学第四范式。随着第四范式的诞生,所能解决的科学问题的复杂度进一步提升,势必会给材料、化学、物理等基础科研领域带来效率和效果的极大提升。基础科研领域拥抱第四范式,已经成为必然的趋势。
(二)人工智能如何支撑基础科研领域发展?
在AI 2.0时代,数据是最核心的资源,也是实践基础科研领域第四范式的基础。当前,不同科学领域数据库的建设,已经受到各国的高度重视。例如,美国国立卫生研究院的生物基因序列库GenBank迄今已收录超过2亿条基因序列,并正以大约每18个月翻一番的速度增长;美国国家标准技术院Materials Data Facility收集的数据量已达到12.5TB;日本物质·材料研究机构建设的MatNavi数据库是关于高分子、陶瓷、合金、超导材料、复合材料和扩散的世界上最大的数据库之一。
21世纪以来,“材料基因组”、“化学基因组”和各类物理学数据库的建设正加速进行。在人工智能算法和计算机硬件不断进步的背景下,“数据挖掘+人工智能分析”已经成为基础科研领域快速发展的重要驱动力:
人工智能变革科研数据的搜集、获取。利用人工智能语义分析技术,科研论文中的数据将更易搜集和获取,解决了人工搜集科研数据效率低的问题。
人工智能变革科研数据的分析与效率。利用深度神经网络及其他机器学习技术,科学家们将可从海量的结构化数据中高效获得隐藏的因果关系,从而大幅提升数据分析效率。
未来,基础科研领域的发展将构筑于数据与人工智能的基础之上。对此,我应该抓住AI 2.0时代的发展契机,积极构建基础科研数据库,高效利用人工智能技术,抢占技术创新高地,实现材料、化学、物理等基础科研领域的“弯道超车”。
文章来源:《电子元件与材料》 网址: http://www.dzyjyclzz.cn/zonghexinwen/2022/1208/985.html
上一篇:初级职称评了机电
下一篇:电子元件与材料文献标识码(电子元件与材料文