Pregunta clave: ¿Cómo integrar eficazmente el conocimiento del dominio en los métodos de aprendizaje automático?
La combinación de conocimiento del dominio puede reducir en gran medida los requisitos de datos, acelerar el entrenamiento y la predicción, y mejorar la precisión y defensa de los modelos científicos de aprendizaje automático. Los avances requerirán nuevos métodos matemáticos para explicar los principios físicos, las simetrías, las incertidumbres y las limitaciones.
2. Aprendizaje automático científico interpretable para obtener resultados explicables y comprensibles.
Pregunta clave: ¿Cuál es el equilibrio entre el uso de modelos de aprendizaje automático cada vez más complejos y la necesidad de que los usuarios comprendan los resultados y obtengan nuevos conocimientos?
Una mayor integración del conocimiento del dominio en los métodos científicos de aprendizaje automático puede mejorar la interpretabilidad de estos métodos. Los más avanzados requerirán el desarrollo de nuevos métodos de exploración y visualización para utilizar el conocimiento del dominio para interpretar y depurar modelos complejos.
3. Aprendizaje automático robusto basado en estabilidad, diseño cuidadoso y alta eficiencia.
Pregunta clave: ¿Cómo desarrollar e implementar métodos científicos eficaces de aprendizaje automático para garantizar que los resultados no sean demasiado sensibles a las perturbaciones en los datos de entrenamiento y la selección de modelos?
Existen incertidumbres en la forma general, la estructura interna y los parámetros relacionados de los modelos científicos de aprendizaje automático. Para mejorar la confiabilidad, los nuevos métodos deben alcanzar el nivel de rigor que se espera de los algoritmos informáticos científicos convencionales. La investigación se centrará en métodos e implementaciones científicas de aprendizaje automático que sean estables, buenos y efectivos.
4. Aprendizaje automático con uso intensivo de datos para automatizar el razonamiento científico y el análisis de datos.
Pregunta clave: ¿Qué nuevos métodos se pueden desarrollar para encontrar de manera confiable señales, patrones o estructuras en datos de entrada de alta dimensión, ruidosos o inciertos?
El aprendizaje automático científico puede revelar información valiosa oculta en grandes cantidades de datos científicos procedentes de experimentos, observaciones, simulaciones y otras fuentes.
5. Modelado y simulación mejorados con aprendizaje automático para computación científica predictiva.
Pregunta clave: ¿Cuáles son las barreras y las ventajas potenciales de utilizar el aprendizaje automático científico para desarrollar modelos computacionales predictivos y algoritmos adaptativos? El aprendizaje automático científico puede mejorar la fidelidad de los modelos físicos de orden reducido o de subcuadrícula, automatizar la dirección computacional y optimizar el ajuste de parámetros en simulaciones científicas multiescala.
6. Proporcionar automatización inteligente y soporte de decisiones para la gestión y control de sistemas complejos.
Pregunta clave: ¿Cuáles son los desafíos en el desarrollo del aprendizaje automático científico para el soporte de decisiones y la automatización de sistemas y procesos complejos?
El aprendizaje automático científico se utiliza ampliamente para mejorar las capacidades operativas de las instalaciones de usuarios científicos, redes de comunicaciones, redes eléctricas u otras infraestructuras equipadas con sensores y procesos complejos.
Las tres primeras direcciones de investigación describen los temas de investigación básicos para el desarrollo de todos los métodos de aprendizaje automático, correspondientes a las necesidades de conocimiento del dominio (dirección 1), interpretabilidad (dirección 2) y robustez (dirección 3). Las otras tres direcciones describen los temas de investigación de capacidades, correspondientes a los tres casos de uso principales del aprendizaje automático científico, que se utilizan para el análisis de datos científicos a gran escala (dirección 4), modelado y simulación mejorados con aprendizaje automático (dirección 5) y Automatización inteligente y soporte a la decisión. Sistemas complejos (dirección 6).