智能辅助科研：深度学习革命

本书系统介绍了人工智能（AI）、机器学习（ML）和深度神经网络技术，这些技术正引领着从超级计算机模拟和现代实验设施产生的数据集中进行科学发现。海量的实验数据来源众多，包括望远镜、卫星、基因测序仪、加速器和电子显微镜，以及位于瑞士日内瓦的欧洲核子研究中心（CERN）大型强子对撞机（LHC）和国际热核聚变实验堆（ITER，总部位于法国）托卡马克装置等国际大型设施。这些来源每年产生从数拍字节（petabytes）到艾字节（exabytes）级别的海量数据。科学家们面临的主要挑战是如何从这些数据中提取科学洞见，而最新的 AI发展成果对此至关重要。

目录
译者序
第一部分 智能辅助科研简介
1 第1章 人工智能辅助科研/3
1.1 科学发现简史/3
1.2 人工智能、机器学习和深度神经网络/4
1.3 人工智能与现代科学发现/5
1.4 本书介绍/6
1.5 总结/7
参考文献/8
第2章 本书概要/9
2.1 概述/9
2.2 基本方法与内涵：第3～10章/10
2.3 探索应用领域：第11～26章/11
2.4 智能辅助科研生态圈：第27～33章/14
2.5 智能辅助科研前景：第34～38章/16
2.6 结语：AI 工具与概念：第39章和第40章/17
第二部分 基本方法与内涵
2 第3章 人工智能时代的数据驱动科学：从模式到实践/21
3.1 引言/21
3.2 发现收敛的模式/22
3.3 将模式转化为正式过程/25
3.4 大型数据集的可扩展性和可计算性的设计原则/26
3.5 规模经济——从 SkyServer到SciServer/27
3.6 开放科学和大型开放数据集/29
3.7 长期高价值数据集/30
3.8 未来发展趋势与展望/34
致谢/35
参考文献/35
第4章 数据科学大背景下的人工智能/37
4.1 引言/37
4.2 美国视角下的数据科学简史/38
4.3 数据科学的“4+1”模型/39
4.4 “4+1”模型视角下的人工智能/41
4.5 可理解的 AI/43
4.6 结论/43
参考文献/44
第5章 AlphaFold——蛋白质折叠问题的终结还是更伟大事物的开端/46
5.1 引言/46
5.2 背景/47
5.3 结果/48
5.4 DeepMind是如何赢得CASP的/50
5.5 AlphaFold蛋白结构数据库/51
5.6 AlphaFold真的解决了蛋白质折叠问题吗/51
5.7 对实验结构生物学家的影响/53
参考文献/54
第6章 人工智能在天文学中的应用/55
6.1 引言/55
6.2 早期应用：数字巡天/56
6.3 挑战日益增加：时域天文学/56
6.4 应用日益广泛/58
6.5 小结和展望/59
参考文献/59
第7章 基于机器学习的复杂仪器设计与优化/63
7.1 引言/63
7.2 机器学习的挑战和要求/65
7.3 优化仪器操作性能/66
7.4 仪器设计优化/72
7.5 结论/74
参考文献/74
第8章 实验设备中的人工智能和机器学习/77
8.1 实验设备的快速发展/77
8.2 什么是“人工智能”/79
8.3 将AI/ML应用于实验科学所面临的挑战/80
8.4 案例研究/81
8.5 AI/ML 在实验和计算中的未来机遇/90
8.6 AI/ML 用于发现和理解科学全局/92
参考文献/93
第9章 第一台艾次超级计算机：加速人工智能辅助科研及在更多领域的应用/95
9.1 Fugaku：驱动智能辅助科研的尖端CPU型超级计算机/95
9.2 智能辅助科研的应用——案例研究/98
9.3 智能辅助科研的架构——过去、现在和未来/102
参考文献/103
第10章 人工智能辅助科研的基准测试/106
10.1 引言/106
10.2 人工智能在科学研究中的作用/108
10.3 方法和优点/112
10.4 未来发展方向/114
致谢/114
参考文献/115
第三部分 探索应用领域
3 第11章 射电天文学与平方千米阵列/119
11.1 现代射电天文学与平方千米阵列/119
11.2 SKA 的大数据挑战：为什么需要人工智能/121
11.3 用于射电天文学图像分析的人工智能/122
11.4 射电天文学时间域分析中的人工智能/124
11.5 SKA 的 AI 挑战/126
参考文献/127
第12章 天文学中的人工智能：机器学习的崛起/131
12.1 引言/131
12.2 机器学习在天文学中的崛起/132
12.3 开放数据与开放科学/133
12.4 开放框架的出现与机器学习的民主化/134
12.5 流数据环境下机器学习面临的挑战/134
12.6 物理驱动的机器学习方法/136
12.7 机器学习的可扩展性/137
12.8 科学中的培训与软件工程/138
12.9 未来的机遇与挑战/139
参考文献/139
第13章 人工智能辅助净零排放/141
13.1 引言/141
13.2 人工智能在净零排放中的应用/142
13.3 面向人工智能的净零排放/150
13.4 结论与未来展望/151
参考文献/152
第14章 人工智能在气候科学中的应用/155
14.1 引言/155
14.2 气候建模/155
14.3 气候模型数据分析/159
14.4 人工智能在气候科学中的地球观测/161
14.5 人工智能/机器学习将如何改变气候科学/164
参考文献/166
第15章 应用人工智能加速聚变能源研究/171
15.1 引言/171
15.2 核聚变反应堆在运行和控制中的挑战/172
15.3 仿真的加速和验证/174
15.4 设计优化/177
15.5 AI 与聚变的未来/177
参考文献/177
第16章 人工智能为灵活弹性电网赋能/180
16.1 引言/180
16.2 电网运行虚拟化/181
16.3 人机协作以实现高效的电网运营/183
16.4 分布式能源资源促进高效的电网服务/185
16.5 本章小结/187
参考文献/187
第17章 人工智能和机器学习在从太空观测地球中的应用/190
17.1 引言/190
17.2 遥感中的人工智能和机器学习/190
17.3 观测目标/191
17.4 辐射转移、人工智能和机器学习/192
17.5 机器学习在解释遥感图像中的应用实例/195
17.6 结束语/196
参考文献/196
第18章 植物和农业研究中的人工智能/200
18.1 引言/200
18.2 前景和预期/200
18.3 生物学挑战/201
18.4 治理挑战/202
18.5 数据挑战/203
18.6 结论：AI 成为农业发展的促进平台/205
18.7 资助说明/206
参考文献/206
第19章 人工智能和病理学：指导治疗和预测结果/209
19.1 引言/209
19.2 数字病理学：简要背景/209
19.3 组织病理学数字化中人工智能的应用/210
19.4 总结/216
参考文献/218
第20章 人工智能在流行病学建模中的作用/221
20.1 引言/221
20.2 建模方法/222
20.3 应用/224
20.4 决策支持工具/230
20.5 讨论和总结/232
参考文献/233
第21章 大人工智能：大数据与大理论融合下的虚拟人构建/237
21.1 引言/237
21.2 狭义的人工智能：传统人工智能/238
21.3 人工智能能走多远/239
21.4 传统人工智能的问题/240
21.5 大人工智能的崛起/240
21.6 应对混乱/242
21.7 药物发现中的大人工智能/242
21.8 大人工智能应用于虚拟人类/243
21.9 大人工智能的未来/245
参考文献/246
第22章 定义生命科学领域中机器学习标准的路线图/249
22.1 引言/249
22.2 挑战/250
22.3 新兴解决方案/251
22.4 机会/254
22.5 结论/255
参考文献/255
第23章 人工智能辅助材料科学研究/257
23.1 引言/257
23.2 人工智能使构建材料模型成为可能/258
23.3 应用程序模式/260
23.4 自主科学/261
23.5 挑战/262
23.6 结论与展望/264
参考文献/265
第24章 人工智能加速材料发现/268
24.1 引言/268
24.2 人工智能如何推进材料科学和工程领域的发展/269
24.3 人工智能辅助材料研发：挑战与机遇/271
24.4 人工智能辅助材料研发：解释性应用/272
24.5 人工智能辅助材料研发：前景和更加广泛的影响/274
24.6 总结/274
参考文献/274
第25章 人工智能与实验粒子物理学/277
25.1 引言/277
25.2 粒子水平推断/278
25.3 事件水平推断/280
25.4 实验水平推断/282
25.5 模拟/285
25.6 结论/286
参考文献/286
第26章 人工智能与理论粒子物理学/290
26.1 引言/290
26.2 代理模型：大海捞针/290
26.3 ML模型作为拟合函数/293
26.4 使用ML进行多维积分/293
26.5 LQCD/294
26.6 用于高效生成规范构型的ML方法：应用于格点规范理论/295
26.7 对比两种黑盒子：LQCD与ML/296
26.8 ML预测平均值的偏差纠正的通用方法/298
26.9 物理感知ML模型的例子/299
26.10 无监督ML方法/300
26.11 探索可能理论的空间/300
26.12 从深度神经网络解读额外维度/302
26.13 结论/302
参考文献/303
第四部分 智能辅助科研生态圈
4 第27章 Schema.org在科学研究数据中的应用/309
27.1 引言/309
27.2 使用 Schema.org增强Web搜索/310
27.3 数据集搜索：专用搜索门户/312
27.4 Bioschemas（生物数据库）：生命科学的Schema.org/313
27.5 使用生物化学方案的应用程序/315
27.6 结论与未来研究方向/318
参考文献/319
第28章 人工智能耦合高性能计算工作流/321
28.1 引言/321
28.2 无处不在的学习范式/321
28.3 “处处学习”范式示例/323
28.4 机器学习和科学计算流应用/327
28.5 讨论/329
参考文献/330
第29章 人工智能用于科学可视化/334
29.1 引言/334
29.2 具体的挑战/335
29.3 科学可视化与人工智能/336
29.4 DNN应用案例：可视化替代模型/339
参考文献/341
第30章 科学领域人工智能中的不确定性量化/346
30.1 引言/346
30.2 深度学习中的不确定性量化综述/347
30.3 去伪存真/353
30.4 结语/355
参考文献/356
第31章 面向下一代全球网络集成系统与测试平台的人工智能/358
31.1 引言/358
31.2 AI带来的创新/359
31.3 开放研究面临的挑战/361
31.4 真实网络的统计数据：美国能源科学网络（ESnet）/363
31.5 背景：当前和新兴的网络技术/363
31.6 广域网流量预测案例研究/366
31.7 迈向构建自动驾驶网络/376
31.8 展望与下一步计划/378
31.9 结论/378
参考文献/379
第32章 人工智能在最优实验设计与决策中的应用/382
32.1 引言/382
32.2 贝叶斯定律/383
32.3 先验构建/384
32.4 在不确定性下的决策制定/386
32.5 最优实验设计/387
32.6 结论：从精炼概率到扩大可能性/389
参考文献/390
第33章 FAIR：让数据为人工智能使用做好准备/393
33.1 FAIR 原则：数据科学的先决条件/393
33.2 机器可读的元数据的重要性/394
33.3 FAIR 评估体系：进展如何/397
33.4 工业中的FAIR数据策略/398
33.5 前瞻/400
参考文献/400
第五部分 智能辅助科研前景
5 第34章 科学大型语言模型/405
34.1 引言/405
34.2 从自然语言到科学语言/412
34.3 机遇和未解决的问题/414
34.4 结论/417
参考文献/417
第35章 自动驾驶汽车领域的人工智能/424
35.1 引言/424
35.2 传感器/424
35.3 视听系统架构/425
35.4 感知/426
35.5 总结/427
参考文献/428
第36章 自动化人工智能驱动科学发现未来/430
36.1 引言/430
36.2 人工智能主导的科研自动化/431
36.3 关键里程碑/432
36.4 人工智能引领科学发现的未来/434
36.5 人工智能辅助科研的评级/435
36.6 结论/436
参考文献/437
第37章 科学智能系统中的反思能力/439
37.1 引言：80 年来的人工智能辅助科研/439
37.2 人工智能对科学的重要性/440
37.3 科研导向的通用智能能力体系：深思型人工智能/441
37.4 人工智能科学系统的具体能力：核心能力/442
37.5 科学智能系统中的反思能力/443
37.6 结论/446
参考文献/446
第38章 机器学习与因果推理的接口/448
38.1 引言/448
38.2 解释深度神经网络的预测/448
38.3 利用连续处理推断非线性因果关系/453
38.4 结论/456
参考文献/457
第六部分 结语：AI工具与概念
6 第39章 深度学习与机器学习概述/463
39.1 引言/463
39.2 经典人工智能/机器学习/464
39.3 深度学习组件/465
39.4 深度学习网络/468
参考文献/473
第40章 各章讨论的主题、概念和人工智能方法/475