2024/07/20 15:30

NeurIPS 2024 Workshop 科学基础模型: 进展, 机遇, 挑战

Workshop背景

人工智能 (AI) 和机器学习 (ML) 在科学领域的应用代表了传统科学发现方法的重大转变。几个世纪以来，探索自然世界的过程遵循着系统和逻辑的方法。然而，人工智能和机器学习技术的出现，正在深刻改变现代基础科学的发现方式。这种变化对于促进跨学科交流、激发创新的解决方案，并最终提高科学界应对现代科学中最紧迫和复杂问题的能力至关重要。

与此同时，经过大量多样化数据集训练的基础模型，在计算机视觉和自然语言处理等任务中展示了强大的适应性。这些模型，例如语言模型 GPT-4 和图像文本处理模型 CLIP，通过提供可针对多种应用微调的预训练基础，彻底改变了各自的领域。研究人员通过利用这些基础模型中编码的丰富知识，正在解决长期规划和多模态推理等关键挑战，这对于机器人和对话系统等复杂的现实世界应用至关重要。

我们看到人工智能科学与基础模型整合的合作机会，这正在成为科学领域的一股变革力量。通过利用经过大量数据集训练并具有多模态处理能力的基础模型，解决科学问题的独特机会应运而生，并为进一步的特定领域适应奠定了坚实基础。因此，人工智能科学与基础模型之间的协同作用有望从根本上改善我们建模复杂现象的方式，使其成为未来科学进步的重要投资领域。与传统的小规模人工智能科学模型或基础模型相比，构建和应用基础模型以推进和解决科学问题既有机遇，也有独特的挑战。

Foundation Models for Science: Progress, Opportunities, and Challenges

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

主题

在本次研讨会上，我们旨在汇集基础模型和科学问题领域的专家，激发讨论，并促进对以下广泛而变革性问题和挑战的合作（包括但不限于）：

进展
- 可扩展性: 科学基础模型的扩展规律和训练策略与 NLP、视觉模型是否不同？
- 可重用性: 科学基础模型是否可以只训练一次并在不同场景中采用？
- 性能: 科学基础模型能否始终优于特定领域模型？
机遇
- 如何使基础模型理解多模态科学输入并能够解决多种科学问题？
- 如何利用基础模型加速科学发现和科学数据的收集/吸收？
- 如何使基础模型兼容并实现经典科学工具的集成？
挑战
- 如何诊断科学基础模型无法良好运行的失败案例或模式？
- 如何确保科学基础模型与科学事实的一致性，避免产生错误结论？
- 如何量化基础模型的科学不确定性？

我们诚邀各科学领域的论文投稿，包括但不限于：量子力学（例如核聚变）、小分子、生物医学（例如蛋白质、生物序列、虚拟筛选）、材料科学（例如电池、化学合成）、地球科学和计算科学（例如 PDE、预测）。我们也强烈鼓励以 AI for Science 和科学机器学习 (SciML) 为重点的应用驱动型投稿。

演讲者（按姓氏排序，A到Z）

Shirley Ho