NeurIPS 2024 Workshop 科學基礎模型: 進展, 機遇, 挑戰

新闻助手發表於2024-07-20

Workshop背景

人工智慧 (AI) 和機器學習 (ML) 在科學領域的應用代表了傳統科學發現方法的重大轉變。幾個世紀以來，探索自然世界的過程遵循著系統和邏輯的方法。然而，人工智慧和機器學習技術的出現，正在深刻改變現代基礎科學的發現方式。這種變化對於促進跨學科交流、激發創新的解決方案，並最終提高科學界應對現代科學中最緊迫和複雜問題的能力至關重要。

與此同時，經過大量多樣化資料集訓練的基礎模型，在計算機視覺和自然語言處理等任務中展示了強大的適應性。這些模型，例如語言模型 GPT-4 和影像文字處理模型 CLIP，透過提供可針對多種應用微調的預訓練基礎，徹底改變了各自的領域。研究人員透過利用這些基礎模型中編碼的豐富知識，正在解決長期規劃和多模態推理等關鍵挑戰，這對於機器人和對話系統等複雜的現實世界應用至關重要。

我們看到人工智慧科學與基礎模型整合的合作機會，這正在成為科學領域的一股變革力量。透過利用經過大量資料集訓練並具有多模態處理能力的基礎模型，解決科學問題的獨特機會應運而生，併為進一步的特定領域適應奠定了堅實基礎。因此，人工智慧科學與基礎模型之間的協同作用有望從根本上改善我們建模複雜現象的方式，使其成為未來科學進步的重要投資領域。與傳統的小規模人工智慧科學模型或基礎模型相比，構建和應用基礎模型以推進和解決科學問題既有機遇，也有獨特的挑戰。

Foundation Models for Science: Progress, Opportunities, and Challenges

https://fm-science.github.io/

主題

在本次研討會上，我們旨在彙集基礎模型和科學問題領域的專家，激發討論，並促進對以下廣泛而變革性問題和挑戰的合作（包括但不限於）：

進展
- 可擴充套件性: 科學基礎模型的擴充套件規律和訓練策略與 NLP、視覺模型是否不同？
- 可重用性: 科學基礎模型是否可以只訓練一次並在不同場景中採用？
- 效能: 科學基礎模型能否始終優於特定領域模型？
機遇
- 如何使基礎模型理解多模態科學輸入並能夠解決多種科學問題？
- 如何利用基礎模型加速科學發現和科學資料的收集/吸收？
- 如何使基礎模型相容並實現經典科學工具的整合？
挑戰
- 如何診斷科學基礎模型無法良好執行的失敗案例或模式？
- 如何確保科學基礎模型與科學事實的一致性，避免產生錯誤結論？
- 如何量化基礎模型的科學不確定性？

我們誠邀各科學領域的論文投稿，包括但不限於：量子力學（例如核聚變）、小分子、生物醫學（例如蛋白質、生物序列、虛擬篩選）、材料科學（例如電池、化學合成）、地球科學和計算科學（例如 PDE、預測）。我們也強烈鼓勵以 AI for Science 和科學機器學習 (SciML) 為重點的應用驅動型投稿。

演講者（按姓氏排序，A到Z）

Shirley Ho