智能輔助科研：深度學習革命

譯者序
第一部分 智能輔助科研簡介
1 第1章 人工智能輔助科研/3
1.1 科學發現簡史/3
1.2 人工智能、機器學習和深度神經網絡/4
1.3 人工智能與現代科學發現/5
1.4 本書介紹/6
1.5 總結/7
參考文獻/8
第2章 本書概要/9
2.1 概述/9
2.2 基本方法與內涵：第3～10章/10
2.3 探索應用領域：第11～26章/11
2.4 智能輔助科研生態圈：第27～33章/14
2.5 智能輔助科研前景：第34～38章/16
2.6 結語：AI 工具與概念：第39章和第40章/17
第二部分 基本方法與內涵
2 第3章 人工智能時代的數據驅動科學：從模式到實踐/21
3.1 引言/21
3.2 發現收斂的模式/22
3.3 將模式轉化為正式過程/25
3.4 大型數據集的可擴展性和可計算性的設計原則/26
3.5 規模經濟——從 SkyServer到SciServer/27
3.6 開放科學和大型開放數據集/29
3.7 長期高價值數據集/30
3.8 未來發展趨勢與展望/34
致謝/35
參考文獻/35
第4章 數據科學大背景下的人工智能/37
4.1 引言/37
4.2 美國視角下的數據科學簡史/38
4.3 數據科學的“4+1”模型/39
4.4 “4+1”模型視角下的人工智能/41
4.5 可理解的 AI/43
4.6 結論/43
參考文獻/44
第5章 AlphaFold——蛋白質折疊問題的終結還是更偉大事物的開端/46
5.1 引言/46
5.2 背景/47
5.3 結果/48
5.4 DeepMind是如何贏得CASP的/50
5.5 AlphaFold蛋白結構數據庫/51
5.6 AlphaFold真的解決了蛋白質折疊問題嗎/51
5.7 對實驗結構生物學家的影響/53
參考文獻/54
第6章 人工智能在天文學中的應用/55
6.1 引言/55
6.2 早期應用：數字巡天/56
6.3 挑戰日益增加：時域天文學/56
6.4 應用日益廣泛/58
6.5 小結和展望/59
參考文獻/59
第7章 基於機器學習的覆雜儀器設計與優化/63
7.1 引言/63
7.2 機器學習的挑戰和要求/65
7.3 優化儀器操作性能/66
7.4 儀器設計優化/72
7.5 結論/74
參考文獻/74
第8章 實驗設備中的人工智能和機器學習/77
8.1 實驗設備的快速發展/77
8.2 什麼是“人工智能”/79
8.3 將AI/ML應用於實驗科學所面臨的挑戰/80
8.4 案例研究/81
8.5 AI/ML 在實驗和計算中的未來機遇/90
8.6 AI/ML 用於發現和理解科學全局/92
參考文獻/93
第9章 第一臺艾次超級計算機：加速人工智能輔助科研及在更多領域的應用/95
9.1 Fugaku：驅動智能輔助科研的尖端CPU型超級計算機/95
9.2 智能輔助科研的應用——案例研究/98
9.3 智能輔助科研的架構——過去、現在和未來/102
參考文獻/103
第10章 人工智能輔助科研的基準測試/106
10.1 引言/106
10.2 人工智能在科學研究中的作用/108
10.3 方法和優點/112
10.4 未來發展方向/114
致謝/114
參考文獻/115
第三部分 探索應用領域
3 第11章 射電天文學與平方千米陣列/119
11.1 現代射電天文學與平方千米陣列/119
11.2 SKA 的大數據挑戰：為什麼需要人工智能/121
11.3 用於射電天文學圖像分析的人工智能/122
11.4 射電天文學時間域分析中的人工智能/124
11.5 SKA 的 AI 挑戰/126
參考文獻/127
第12章 天文學中的人工智能：機器學習的崛起/131
12.1 引言/131
12.2 機器學習在天文學中的崛起/132
12.3 開放數據與開放科學/133
12.4 開放框架的出現與機器學習的民主化/134
12.5 流數據環境下機器學習面臨的挑戰/134
12.6 物理驅動的機器學習方法/136
12.7 機器學習的可擴展性/137
12.8 科學中的培訓與軟件工程/138
12.9 未來的機遇與挑戰/139
參考文獻/139
第13章 人工智能輔助凈零排放/141
13.1 引言/141
13.2 人工智能在凈零排放中的應用/142
13.3 面向人工智能的凈零排放/150
13.4 結論與未來展望/151
參考文獻/152
第14章 人工智能在氣候科學中的應用/155
14.1 引言/155
14.2 氣候建模/155
14.3 氣候模型數據分析/159
14.4 人工智能在氣候科學中的地球觀測/161
14.5 人工智能/機器學習將如何改變氣候科學/164
參考文獻/166
第15章 應用人工智能加速聚變能源研究/171
15.1 引言/171
15.2 核聚變反應堆在運行和控制中的挑戰/172
15.3 仿真的加速和驗證/174
15.4 設計優化/177
15.5 AI 與聚變的未來/177
參考文獻/177
第16章 人工智能為靈活彈性電網賦能/180
16.1 引言/180
16.2 電網運行虛擬化/181
16.3 人機協作以實現高效的電網運營/183
16.4 分布式能源資源促進高效的電網服務/185
16.5 本章小結/187
參考文獻/187
第17章 人工智能和機器學習在從太空觀測地球中的應用/190
17.1 引言/190
17.2 遙感中的人工智能和機器學習/190
17.3 觀測目標/191
17.4 輻射轉移、人工智能和機器學習/192
17.5 機器學習在解釋遙感圖像中的應用實例/195
17.6 結束語/196
參考文獻/196
第18章 植物和農業研究中的人工智能/200
18.1 引言/200
18.2 前景和預期/200
18.3 生物學挑戰/201
18.4 治理挑戰/202
18.5 數據挑戰/203
18.6 結論：AI 成為農業發展的促進平臺/205
18.7 資助說明/206
參考文獻/206
第19章 人工智能和病理學：指導治療和預測結果/209
19.1 引言/209
19.2 數字病理學：簡要背景/209
19.3 組織病理學數字化中人工智能的應用/210
19.4 總結/216
參考文獻/218
第20章 人工智能在流行病學建模中的作用/221
20.1 引言/221
20.2 建模方法/222
20.3 應用/224
20.4 決策支持工具/230
20.5 討論和總結/232
參考文獻/233
第21章 大人工智能：大數據與大理論融合下的虛擬人構建/237
21.1 引言/237
21.2 狹義的人工智能：傳統人工智能/238
21.3 人工智能能走多遠/239
21.4 傳統人工智能的問題/240
21.5 大人工智能的崛起/240
21.6 應對混亂/242
21.7 藥物發現中的大人工智能/242
21.8 大人工智能應用於虛擬人類/243
21.9 大人工智能的未來/245
參考文獻/246
第22章 定義生命科學領域中機器學習標準的路線圖/249
22.1 引言/249
22.2 挑戰/250
22.3 新興解決方案/251
22.4 機會/254
22.5 結論/255
參考文獻/255
第23章 人工智能輔助材料科學研究/257
23.1 引言/257
23.2 人工智能使構建材料模型成為可能/258
23.3 應用程序模式/260
23.4 自主科學/261
23.5 挑戰/262
23.6 結論與展望/264
參考文獻/265
第24章 人工智能加速材料發現/268
24.1 引言/268
24.2 人工智能如何推進材料科學和工程領域的發展/269
24.3 人工智能輔助材料研發：挑戰與機遇/271
24.4 人工智能輔助材料研發：解釋性應用/272
24.5 人工智能輔助材料研發：前景和更加廣泛的影響/274
24.6 總結/274
參考文獻/274
第25章 人工智能與實驗粒子物理學/277
25.1 引言/277
25.2 粒子水平推斷/278
25.3 事件水平推斷/280
25.4 實驗水平推斷/282
25.5 模擬/285
25.6 結論/286
參考文獻/286
第26章 人工智能與理論粒子物理學/290
26.1 引言/290
26.2 代理模型：大海撈針/290
26.3 ML模型作為擬合函數/293
26.4 使用ML進行多維積分/293
26.5 LQCD/294
26.6 用於高效生成規範構型的ML方法：應用於格點規範理論/295
26.7 對比兩種黑盒子：LQCD與ML/296
26.8 ML預測平均值的偏差糾正的通用方法/298
26.9 物理感知ML模型的例子/299
26.10 無監督ML方法/300
26.11 探索可能理論的空間/300
26.12 從深度神經網絡解讀額外維度/302
26.13 結論/302
參考文獻/303
第四部分 智能輔助科研生態圈
4 第27章 Schema.org在科學研究數據中的應用/309
27.1 引言/309
27.2 使用 Schema.org增強Web搜索/310
27.3 數據集搜索：專用搜索門戶/312
27.4 Bioschemas（生物數據庫）：生命科學的Schema.org/313
27.5 使用生物化學方案的應用程序/315
27.6 結論與未來研究方向/318
參考文獻/319
第28章 人工智能耦合高性能計算工作流/321
28.1 引言/321
28.2 無處不在的學習範式/321
28.3 “處處學習”範式示例/323
28.4 機器學習和科學計算流應用/327
28.5 討論/329
參考文獻/330
第29章 人工智能用於科學可視化/334
29.1 引言/334
29.2 具體的挑戰/335
29.3 科學可視化與人工智能/336
29.4 DNN應用案例：可視化替代模型/339
參考文獻/341
第30章 科學領域人工智能中的不確定性量化/346
30.1 引言/346
30.2 深度學習中的不確定性量化綜述/347
30.3 去偽存真/353
30.4 結語/355
參考文獻/356
第31章 面向下一代全球網絡集成系統與測試平臺的人工智能/358
31.1 引言/358
31.2 AI帶來的創新/359
31.3 開放研究面臨的挑戰/361
31.4 真實網絡的統計數據：美國能源科學網絡（ESnet）/363
31.5 背景：當前和新興的網絡技術/363
31.6 廣域網流量預測案例研究/366
31.7 邁向構建自動駕駛網絡/376
31.8 展望與下一步計劃/378
31.9 結論/378
參考文獻/379
第32章 人工智能在最優實驗設計與決策中的應用/382
32.1 引言/382
32.2 貝葉斯定律/383
32.3 先驗構建/384
32.4 在不確定性下的決策制定/386
32.5 最優實驗設計/387
32.6 結論：從精煉概率到擴大可能性/389
參考文獻/390
第33章 FAIR：讓數據為人工智能使用做好準備/393
33.1 FAIR 原則：數據科學的先決條件/393
33.2 機器可讀的元數據的重要性/394
33.3 FAIR 評估體系：進展如何/397
33.4 工業中的FAIR數據策略/398
33.5 前瞻/400
參考文獻/400
第五部分 智能輔助科研前景
5 第34章 科學大型語言模型/405
34.1 引言/405
34.2 從自然語言到科學語言/412
34.3 機遇和未解決的問題/414
34.4 結論/417
參考文獻/417
第35章 自動駕駛汽車領域的人工智能/424
35.1 引言/424
35.2 傳感器/424
35.3 視聽系統架構/425
35.4 感知/426
35.5 總結/427
參考文獻/428
第36章 自動化人工智能驅動科學發現未來/430
36.1 引言/430
36.2 人工智能主導的科研自動化/431
36.3 關鍵裏程碑/432
36.4 人工智能引領科學發現的未來/434
36.5 人工智能輔助科研的評級/435
36.6 結論/436
參考文獻/437
第37章 科學智能系統中的反思能力/439
37.1 引言：80 年來的人工智能輔助科研/439
37.2 人工智能對科學的重要性/440
37.3 科研導向的通用智能能力體系：深思型人工智能/441
37.4 人工智能科學系統的具體能力：核心能力/442
37.5 科學智能系統中的反思能力/443
37.6 結論/446
參考文獻/446
第38章 機器學習與因果推理的接口/448
38.1 引言/448
38.2 解釋深度神經網絡的預測/448
38.3 利用連續處理推斷非線性因果關系/453
38.4 結論/456
參考文獻/457
第六部分 結語：AI工具與概念
6 第39章 深度學習與機器學習概述/463
39.1 引言/463
39.2 經典人工智能/機器學習/464
39.3 深度學習組件/465
39.4 深度學習網絡/468
參考文獻/473
第40章 各章討論的主題、概念和人工智能方法/475