[논문 리뷰] AI for Science: An Emerging Agenda

Philipp Berens, K. Cranmer외 3명|arXiv (Cornell University)|2023. 03. 07.

Big Data and Business Intelligence인용 수 8

한 줄 요약

본 보고서는 Dagstuhl Seminar 22382 on Machine Learning for Science를 요약하고, 데이터 기반 및 기계론적 모델링을 통합하는 로드맵과 AI-활용 과학 발견을 위한 커뮤니티 구축을 개략적으로 제시한다.

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.

연구 동기 및 목표

• 과학적 복잡성을 새로운 AI-enabled 방법으로 다뤄야 할 필요성을 제시한다.
• 학문과 영역을 초월하는 과학을 위한 AI를 위한 로드맵을 제안한다.
• 시뮬레이션, 인과관계, 도메인 지식 인코딩과 같은 핵심 주제를 강조한다.
• 커뮤니티 빌딩, 상호 운용 가능한 도구 키트, 소프트웨어 및 데이터 엔지니어링의 모범 사례를 옹호한다.

제안 방법

• Dagstuhl 세미나의 논의를 종합하여 연구 의제를 제시한다.
• 과학을 위한 AI를 발전시키기 위한 핵심 주제 영역을 식별한다: 시뮬레이션, 인과관계, 도메인 지식 인코딩.
• 과학 실천에서 AI 도구를 배치하기 위한 실행 가능한 단계와 활성화 환경을 제안한다.
• 사용자 친화적인 도구 키트와 표준화된 소프트웨어/데이터 엔지니어링 관행을 옹호한다.
• ML 연구자, 도메인 전문가, 엔지니어 간의 학제간 협력을 권고한다.

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

실험 결과

연구 질문

• RQ1 AI 방법이 복잡한 시스템에 대한 정교한 시뮬레이션과 데이터에 기반한 탐구를 지원하도록 어떻게 설계될 수 있는가?
• RQ2 데이터 기반 모델을 기계론적 지식과 효과적으로 통합하여 과학의 인과 관계를 밝혀낼 수 있는가?
• RQ3 과학적 워크플로의 안전하고 견고하며 도메인에 맞는 AI 배치를 보장하기 위해 어떤 전략과 인프라가 필요한가?
• RQ4 학제 간 AI for science를 가속화하기 위해 어떤 조직적이고 커뮤니티 구축적 조치가 필요한가?
• RQ5 도구 키트, 벤치마크 및 거버넌스가 과학적 발견을 위한 AI의 널리 퍼진 채택을 가능하게 하는 데 어떤 역할을 하는가?

주요 결과

• AI가 다양한 데이터 소스와 규모에서 통찰을 가능하게 하여 자연과학, 물리과학, 사회과학, 의학, 공학 전 분야에 걸쳐 혁신적 잠재력을 제공한다.
• 진전은 물리 법칙과 데이터 기반 학습을 결합한 하이브리드 모델 개발과 데이터 기반 및 기계론적 모델링 간의 다리를 놓는 것에 달려 있다.
• 과학적 실천에 AI를 통합하려면 도메인 지식 인코딩, 인간–AI 인터페이스, 지식 공유를 위한 메커니즘이 필요하다.
• 효과적인 AI 도구를 설계하고 배치하기 위해 ML 연구자, 도메인 전문가, 시민 과학자, 엔지니어로 구성된 커뮤니티를 구축하는 것이 결정적이다.
• 실행 가능한 단계에는 사용자 친화적 도구 키트 제작, 소프트웨어/데이터 엔지니어링의 모범 사례 채택, 학제 간 재능에 대한 투자 등이 포함된다.
• 로드맵은 도메인 간 협력, 모델 신뢰성 평가, 불확실성 및 사회적 영향에 대한 신중한 고려를 강조한다.

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