[論文レビュー] AI for Science: An Emerging Agenda

Philipp Berens, K. Cranmer+3 more|arXiv (Cornell University)|Mar 7, 2023

Big Data and Business Intelligence被引用数 8

ひとこと要約

この報告はDagstuhl Seminar 22382 on Machine Learning for Scienceを要約し、データ駆動型と機械論的モデリングを統合するロードマップと、AI活用による科学的発見のためのコミュニティ構築を概説する。

ABSTRACT

This report documents the programme and the outcomes of Dagstuhl Seminar 22382 "Machine Learning for Science: Bridging Data-Driven and Mechanistic Modelling". Today's scientific challenges are characterised by complexity. Interconnected natural, technological, and human systems are influenced by forces acting across time- and spatial-scales, resulting in complex interactions and emergent behaviours. Understanding these phenomena -- and leveraging scientific advances to deliver innovative solutions to improve society's health, wealth, and well-being -- requires new ways of analysing complex systems. The transformative potential of AI stems from its widespread applicability across disciplines, and will only be achieved through integration across research domains. AI for science is a rendezvous point. It brings together expertise from $\mathrm{AI}$ and application domains; combines modelling knowledge with engineering know-how; and relies on collaboration across disciplines and between humans and machines. Alongside technical advances, the next wave of progress in the field will come from building a community of machine learning researchers, domain experts, citizen scientists, and engineers working together to design and deploy effective AI tools. This report summarises the discussions from the seminar and provides a roadmap to suggest how different communities can collaborate to deliver a new wave of progress in AI and its application for scientific discovery.

研究の動機と目的

• 新しいAI対応の方法で科学的複雑性に対処する必要性を動機づける。
• 学際・領域を跨ぐ科学のためのAIのロードマップを提案する。
• シミュレーション、因果性、領域知識のエンコーディングといった中核テーマを強調する。
• コミュニティ構築、相互運用可能なツールキット、ソフトウェアおよびデータ工学のベストプラクティスの提言を行う。

提案手法

• Dagstuhlセミナーの議論を統合して研究アジェンダを明確化する。
• 科学のためのAIを前進させる中核的テーマ領域を同定する：シミュレーション、因果性、領域知識のエンコーディング。
• 科学的実践にAIツールを展開するための具体的な手順と実現環境を提案する。
• ユーザーフレンドリーなツールキットと標準化されたソフトウェア/データ工学実践を推奨する。
• ML研究者、領域専門家、エンジニアの学際協力を奨励する。

Figure 1: Models along a spectrum from classical i.i.d models to strongly mechanistic differential equation models introduce aspects of causality and symmetries to create a continuum between mechanistic and data-driven worlds. Statistical or data-driven models are weakly mechanistic (i.e. they inclu

実験結果

リサーチクエスチョン

• RQ1 AI手法をどのように設計すれば複雑な系の高度なシミュレーションとデータに基づく問いを支援できるか。
• RQ2 データ駆動モデルを機械論的知識と効果的に統合して科学における因果関係を明らかにできるか。
• RQ3 科学的ワークフローにおけるAIの安全で堅牢かつ領域適合的な展開を確保するためにはどのような戦略とインフラが必要か。
• RQ4 学際を超えたAIの科学への普及を加速するために必要な組織的・コミュニティ構築の行動は何か。
• RQ5 ツールキット、ベンチマーク、ガバナンスは科学的発見のためのAIの広範な採用を可能にするうえでどのような役割を果たすか。

主な発見

• AIは自然・物理・社会・医療・工学の各科学分野で、様々なデータソースとスケールからの洞察を可能にし、転換的な可能性を提供する。
• 物理法則とデータ駆動学習を組み合わせたハイブリッドモデルの開発と、データ駆動型モデリングと機械論的モデリングの橋渡しが進展の要石である。
• 科学的実践へのAIの統合には領域知識のエンコーディング、人間–AIインターフェース、知識共有の仕組みが必要である。
• ML研究者、領域専門家、市民科学者、エンジニアからなるコミュニティを構築することが、効果的なAIツールの設計と展開にとって極めて重要である。
• 実用的な手順には、ユーザーフレンドリーなツールキットの作成、ソフトウェア/データ工学のベストプラクティスの採用、学際的な人材への投資が含まれる。
• ロードマップは領域横断的な協力、モデルの信頼性の評価、そして不確実性と社会的影響への慎重な配慮を強調している。

Figure 2: Strategies for integrating domain insights: including information in data and including information as prior knowledge.