|
今日,科睿唯安与中国科学院联合发布《2022研究前沿》报告,遴选和展示了11大学科领域中的110个热点前沿和55个新兴前沿。
为您遴选信息科学领域最新研究前
沿文末获取完整报告
1. 热点前沿及重点热点前沿解读
1.1 信息科学领域 Top 10 热点前沿发展态势
信息科学领域位居前十位的热点前沿主要包括面向从头药物设计、人类活动识别、脑肿瘤图像分割等领域的深度学习方法研究,长距离自由空间量子密钥分配与量子纠缠研究,知识图谱与图嵌入技术研究,多智能体强化学习研究,区块链与物联网集成研究,大规模机器学习优化方法,以及无人机无线通信和毫米波MIMO 通信系统的信号处理等方向(表51)。
“多智能体强化学习研究”在2020 年热点前沿“AlphaGo Zero 的强化学习算法”的基础上继续深化,“无人机无线通信研究”是2021 年热点前沿“基于无人机的无线通信技术”的延续和扩展,“知识图谱与图嵌入技术研究”“大规模机器学习优化方法”“毫米波MIMO 通信系统的混合预编码技术研究”前沿主题为首次入选。
Top10热点前沿的施引论文
1.2 重点热点前沿——“面向从头药物设计的深度学习方法研究”
药物研发是一个长周期、高投入和高风险的过程。近年来,以计算机辅助药物设计(CADD)、AI药物发现(AIDD)为代表的计算驱动手段在靶标发现和精准医疗、药物设计与发现等领域取得了显著的进步,为加快药物研发速度、降低药物开发成本赋予了希望。
化学空间中类药性分子的数量估计在1023-1060 量级。因此,通过计算的方法在整个化学空间中寻找特定的先导化合物成为药物发现中的重大挑战。虽然高通量筛选和虚拟筛选方法可以对大型化合物库中的分子进行有效评价,但也只能对已知的化合物库进行筛选,从而寻找出满足特定性质的分子。而从头药物设计则不同,后者以理想的化学性质为目标,通过基于深度学习的分子生成的方法,生成具有特定性质的全新分子以探索化学空间,补充化合物库,从而打破药物发现与设计的常规结构壁垒。
该前沿内容涵盖分子连续表示的自动化设计方法、循环和对抗神经网络、druGAN 自动编码器模型,以及分子生成模型的基准测试平台MOSES 等。
随着深度强化学习(Deep Reinforcement Learning, DRL)近年来取得突破性进展,大量与之相关的算法和应用不断涌现。最近的很多研究已经不仅仅局限于单智能体强化学习,而是开始研究多智能体学习场景下的深度强化学习。强化学习中单个智能体与环境交互学习,是一种简单系统的观点,而将其扩展了的多智能体强化学习追求多个智能体在复杂环境中合作竞争,共同进化,是一种复杂系统的观点。多智能体强化学习在对不同智能体学习策略奖励不同的情况下,不断改进学习算法。目前,该方向已经取得了一系列瞩目的进展,比如交通信号控制、机器人控制、未知探索、公交车时刻表优化等。多智能体强化学习的研究与应用越来越多,其在通信网络、合作探索、任务卸载等方面都进行了深入的探索。
研究主题聚焦以下方面:(1) 通过引入DeepStack 探索一种用于处理信息不对称问题的算法,这是AI 在不完美信息博弈中堪称里程碑式的突破;(2)增强AlphaGo 神经网络的树算法,在脱离人类监督学习的情况下迭代出更高质量的行为预测;(3)利用self-play 思想通过不断调整对抗策略,解决普通自我博弈方法的“循环学习”问题。
2. 新兴前沿及重点新兴前沿解读
2.1 新兴前沿概述
信息科学领域有2 项研究入选新兴前沿,“面向MISO、MIMO 通信的可重构智能表面研究”和“可解释人工智能”。
2.2 重点前沿概述——“可解释人工智能”
可解释人工智能(eXplainableArtificial Intelligence,XAI)是让专家能够理解人工智能成果的方法与技术,通过机器学习技术使深度神经网络呈现一定的可理解性,以满足相关使用者对模型及应用服务产生的信息诉求(如因果或背景信息),从而为使用者对人工智能服务建立认知层面的信任。
面对深度神经网络模型的“黑匣子”,XAI 从算法模型生命周期的各个环节介入,通过对数据、模型和结果的解释,解决深度学习机制下技术细节不透明的问题,帮助使用者排除模型故障或提升性能。与传统AI 相比,XAI 更加注重可信度、因果关系、公平性、透明性和隐私意识,因此,未来在医疗、司法、安全、金融等关键领域具有广阔的应用前景。
#完整报告获取
邀您加入“JAS&自动化学报读者服务交流”微信群,获取更多资源资讯!添加小编微信“zss912483428”拉您入群~
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-12-23 23:59
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社