如何更迷信地研讨AI+迷信?顶级学者将云集这次ICML研讨会

ICML将举行一个AI+迷信的研讨会,由来自全球顶尖机构的研讨职员举行,集结了AI+各迷信畛域的领跑者。

提到AI,你首先会想到什么?五年前的人们会第一个想到的是AlphaGo下围棋, 但是现在大家或许会更津津乐道于AlphaFold预测蛋白质结构。

就在最近一两年,AI+迷信作为一个崭新研讨畛域开始流行起来。正如众多年少畛域一样,它的方法论还需要更多的思考和计议。

找不到计议的平台?你来对了地方!ICML将举行一个AI+迷信的研讨会,由来自全球顶尖机构(麻省理工、哈佛、斯坦福、剑桥、深势科技等)的研讨职员举行,集结了AI+各迷信畛域的领跑者。

虽然这个workshop是第一次在ICML 2022出现,组织者们之前已经在NeurIPS 2021成功举行了第一届AI+迷信研讨会,吸引了大量的研讨职员,尤其是年少的学生们关注到了这个同样年少的AI+迷信畛域。这一次,他们将进一步计议这个畛域的发展前景和方法论。

|研讨会的豪华声势

这场研讨会的声势十分豪华,包括AI+物理的Max Tegmark, AI+材料的Rafael Gomez-Bombarelli, AI+化学的Anima Anandkumar, AI+生物的Anthony Gitter,AI+应用数学的韩劼群, 等等。不少著名迷信家都将参与其中。

如何更迷信地研讨AI+迷信?顶级学者将云集这次ICML研讨会

麻省理工老师Max Tegmark,作为一个宇宙学老师和畅销书作家,从2016年开始关注和领跑AI+物理。他和学生们致力于用AI自动发现物理规律,目标以此加速物理学的进程。他将在研讨会上作“AI+物理”的演讲。

Anima Anandkumar老师, 不仅仅在学术界的加州理工领跑AI+Science initiative, 同时也在工业界的Nvidia做机器学习部门的主任。在这场研讨会上,她将作“AI+化学”相关中心的演讲。

那么,这场研讨会究竟要计议什么?

|探讨的话题

会议的目标主要有六点:

●挖掘AI+Science成功案例的理论原因,形成适用面更广泛的方法论。

●澄清AI+Science目前的局限性和误区。

●有潜力被AI解决,但至今仍被忽视的迷信题目。

●涉及多个交叉畛域的方法论和合作模式

●AI+Science自身的迷信性

●AI+Science模型如何“落地”,变得实用

组织改会议的研讨职员认为,如果不研讨清楚这些题目,未来AI+迷信有可能会偏航,甚至已经阻碍了畛域的发展。

这些题目里,包括对“先验常识”的处理——有的任务中,加入畛域常识对模型性能有很大提升,比如等变神经网络预测分子力场;但在另一些任务中,黑盒模型或者暴力搜索却比基于常识的模型要好很多,比如下围棋。碰到一个全新任务时,我们到底应不应该把常识潜入模型呢?如何迷信地、系统地解释这个“矛盾”呢?

此外,不少有潜力的畛域还比较少用AI方法,比如模拟算法的设计、物理学猜想的证明/证伪、有效模型的设计等等。

因此,探索学科交叉点、方法的迷信性、专用于迷信的AI工具,是AI+研讨职员必须要面对的题目。

当然,不止这些高校的学者和专家,现在你也可以参与进来,进行投稿和计议。

|邀请你来参与

如何更迷信地研讨AI+迷信?顶级学者将云集这次ICML研讨会

会议的组织者来自MIT、斯坦佛、深势科技等高校和研讨机构的老师和研讨职员,其中不乏年少的博士生。他们尤其欢迎各个畛域的年少人,和他们一起定义和塑造AI+迷信这个畛域。他们设置了三个投稿中心:

●原创研讨(Original Research Track): 欢迎AI+Science任何畛域的原创研讨,包括理化生、核迷信、机械、农业、材料、建筑等。

●学术评论(Attention Track): 如果你觉得AI在某些畛域的研讨“不切实际”或者“方向走偏了”,或者觉得AI能被应用到一些特殊畛域,可以投稿这个中心。

●工作归纳(Highlight track): 如果你对某个畛域或者某个题目有比较充分的调研和研讨,想要写一个工作归纳,可以投稿这个中心。该track和原创研讨相比,更侧重对已经发表工作的归纳。我们期待您的工作归纳可以帮助新手快速入门。

提交截止日期至5月3日,研讨会将于2022年7月22~23日举行。感兴趣的小伙伴,可以戳下方官网进行投稿、报名:

http://www.ai4science.net/icml22/

在OpenReview提交论文:https://openreview.net/group?id=ICML.cc/2022/Workshop/AI4Science

欢迎关注我们的twitter获取最新讯息: @AI_for_Science

加入我们的slack channel积极计议吧: https://join.slack.com/t/ai4sciencecommunity/shared_invite/zt-15rtaehdi-we~H~LhzZqrQTy6RtLGtug

原创文章,作者:新闻助手,如若转载,请注明出处:https://www.iaiol.com/news/ru-he-geng-mi-xin-di-yan-tao-ai-mi-xin-ding-ji-xue-zhe/

(0)
上一篇 2022年 3月 30日 上午9:55
下一篇 2022年 3月 30日 下午6:06

相关推荐

  • 百分点数据科学实验室:产物生命周期料理创新应用落地实践

    编者按产物生命周期料理在数字经济发展过程中是必不可少的,在零售快消行业可用来指导产物的以销定采和精准投放,在IT行业可辅佐软件应用等产物的开发进程料理,同时还也会对环境料理产生影响,对建筑业在节能减排、减轻环境污染层面起到辅佐作用。因此,及时把控产物生命周期进程,用数据智能技术赋能料理至关重要。百分点数据科学实验室鉴于产物生命周期理论在多个行业的落地实践,总结了如何准确把握产物生命周期的四个阶段及辨别方法论。众所周知,一种产物在商场上的销售情况和获利能力并非是一成不变的,因此,任何一家企业的产物不可能永远畅销,但企

    2021年 3月 25日
  • 剑桥计算机博士推荐,毕业之前,我须要掌握这9个东西

    无论你在创业还是在做学术研究,这些东西都将使你的技能更上一层楼。

    2021年 11月 21日
  • 解锁CNN和Transformer正确结合方法,字节跳动提出有效的下一代视觉Transformer

    来自字节跳动的研讨者提出了一种能在现实工业场景中有效布置的下一代视觉 Transformer,即 Next-ViT。Next-ViT 能像 CNN 一样快速推断,并有 ViT 一样强大的功能。

    2022年 7月 22日
  • 上市首日市值就超福特,Rivian何德何能?

    今日凌晨,号称特斯拉杀手的美国明星电动汽车制造商Rivian正式在美国纳斯达克挂牌上市,代码「RIVN」。IPO发行价定为78美元,盘中涨幅一度扩大至逾50%,股价最高至119.46美元,收盘时有所回落,但估值仍达到859.08亿美元,已超过福特,距通用汽车仅有1.44亿美元。作为对比,11年前特斯拉IPO估值不超过20亿美元,募资仅为2.26亿美元;今年7月,美国另一明星电动汽车制造商Lucid Motors与合并后的股值也仅有240亿美元,募资44亿美元。Rivian的高估值与近期新能源汽车在美国股市的疯狂有关

    2021年 11月 12日
  • 增大模型依然有用,DeepMind用2800亿参数的Gopher,测试谈话系统极限

    DeepMind 连发三篇论文,全面阐述大规模谈话模型依然在进展之中,能力也在继续增强。近年来,国内外各大 AI 巨头的大规模谈话模型(large language model,LLM)一波接着一波,如 OpenAI 的 GPT-3、智源研讨院的悟道 2.0 等。大模型已然成为社区势不可挡的发展趋势。然而,当前谈话模型存在着一些问题,比如逻辑推理较弱。那么,我们是否可以仅通过添加更多数据和算力的情况下革新这些问题呢?或者,我们已经达到了谈话模型相关技术范式的极限?今日,DeepMind「一口气」发表了三篇论文,目的

    2021年 12月 9日
  • 火了一整年的多模态进修,在工业界的落地和实践进展到底怎么样了?

    在小红书,看见多模态进修的无限可能。

    2022年 11月 23日
  • 阿里开源 反对10万亿模型的自研分布式训练框架EPL(Easy Parallel Library)

    最近阿里云机器学习PAI平台和达摩院智能估计实验室一起发布“低碳版”巨模型M6-10T,模型参数已经从万亿跃迁到10万亿,规模远超业界此前发布的万亿级模型,成为当前全球最大的AI预训练模型。

    2022年 3月 30日
  • 可对药物份子举行表征的若干深度进修

    编辑 | 萝卜皮若干深度进修(GDL)基于包罗和处理对称信息的神经网络架构。GDL 为依赖于具有不同对称性和抽象级别的份子体现的份子建模利用程序带来了希望。苏黎世联邦理工学院的研讨人员对份子 GDL 举行了结构化和统一概述,重点介绍了其在药物发现、化学合成猜测和量子化学中的利用。它包罗对 GDL 原理的介绍,以及相关的份子体现,例如份子图、网格、曲面和字符串,以及它们各自的属性。讨论了份子科学中 GDL 当前面临的挑战,并尝试猜测未来的机会。该综述以「Geometric deep learning on molec

    2021年 12月 27日
  • 专栏 | 蒙特卡洛树搜寻在黑盒优化和神经收集结构搜寻中的应用

    布朗大学在读博士王林楠在本文中介绍了他与 Facebook 田渊栋团队合作,在 2020 年 NeurIPS 取得亮眼表现的新算法,以及其在神经收集结构搜寻中的应用。

    2021年 1月 6日
  • 一个模型处理多种模态和工作,商汤等提出Uni-Perceiver,迈向通用预训练感知模型

    来自商汤、西安交通大学等机构的研究者提出了一种通用感知架构 Uni-Perceiver ,该方法可以更好地将预训练中学到的知识迁移到下流工作中。

    2021年 12月 12日

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注