文献类型：期刊文章

作　　者：孟小峰[1] 郝新丽[1] 马超红[1] 杨晨[2,3] 艾山·毛力尼亚孜[1] 吴潮[4] 魏建彦[4]

MENG Xiao-Feng;HAO Xin-Li;MA Chao-Hong;YANG Chen;MAOLINIYAZI Ai-Shan;WU Chao;WEI Jian-Yan(School of Information,Renmin University of China,Beijing 100872;China National Clearing Center,Beijing 100048;Department of Computer Science and Technology,Tsinghua University,Beijing 100084;National Astronomical Observatories,Chinese Academy of Sciences,Beijing 100101)

机构地区：[1]中国人民大学信息学院,北京100872 [2]中国人民银行清算总中心,北京100048 [3]清华大学计算机科学与技术系,北京100084 [4]中国科学院国家天文台,北京100101

出　　处：《计算机学报》

基　　金：国家自然科学基金项目(62172423,91846204,U1931133)资助.

年　　份：2023

卷　　号：46

期　　号：5

起止页码：877-895

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：大规模科学装置与重大科学实验使得科学发现进入了数据密集型的第四范式,借助蓬勃发展的人工智能技术促进智能科学发现势在必行.机器学习作为人工智能中的一项重要技术,已广泛应用于各个科学领域.然而,现有工作仅研究特定任务下的机器学习方法,没能抽象出一个通用的智能科学发现研究框架.本文首先总结了科学发现任务中常用的机器学习方法,并将科学任务归类为五大机器学习问题.其次,提出了基于机器学习的智能科学发现研究框架,作为“AI for Science”的典型范例,阐述了一种高效的智能科学发现模式.再次,本文以时域天文学中发现瞬变事件这一科学任务为例,通过实验证明了唯有恰当地结合领域知识后,机器学习算法才能更好地服务于智能科学发现,验证了该框架的有效性.最后进行总结与展望,以期对各领域进行智能科学发现形成参考意义.

关 键 词：科学发现  机器学习  科学大数据  瞬变事件发现  智能科学发现  

分 类 号：TP18]