[论文解读] Accelerating Science: A Computing Research Agenda

Vasant Honavar, Mark D. Hill+1 more|arXiv (Cornell University)|Apr 6, 2016

Scientific Computing and Data Management参考文献 63被引用 10

一句话总结

本文提出了一项变革性计算研究议程，旨在通过开发自然过程的算法抽象和增强人类智能的认知工具，加速科学发现。它倡导采用集成化、形式化的研究方法与人工智能驱动的工具，与科学家在问题提出、实验、推理和假设生成的闭环循环中协同合作，实现可扩展的、数据驱动的科学发现。

ABSTRACT

The emergence of "big data" offers unprecedented opportunities for not only accelerating scientific advances but also enabling new modes of discovery. Scientific progress in many disciplines is increasingly enabled by our ability to examine natural phenomena through the computational lens, i.e., using algorithmic or information processing abstractions of the underlying processes; and our ability to acquire, share, integrate and analyze disparate types of data. However, there is a huge gap between our ability to acquire, store, and process data and our ability to make effective use of the data to advance discovery. Despite successful automation of routine aspects of data management and analytics, most elements of the scientific process currently require considerable human expertise and effort. Accelerating science to keep pace with the rate of data acquisition and data processing calls for the development of algorithmic or information processing abstractions, coupled with formal methods and tools for modeling and simulation of natural processes as well as major innovations in cognitive tools for scientists, i.e., computational tools that leverage and extend the reach of human intellect, and partner with humans on a broad range of tasks in scientific discovery (e.g., identifying, prioritizing formulating questions, designing, prioritizing and executing experiments designed to answer a chosen question, drawing inferences and evaluating the results, and formulating new questions, in a closed-loop fashion). This calls for concerted research agenda aimed at: Development, analysis, integration, sharing, and simulation of algorithmic or information processing abstractions of natural processes, coupled with formal methods and tools for their analyses and simulation; Innovations in cognitive tools that augment and extend human intellect and partner with humans in all aspects of science.

研究动机与目标

• 解决数据获取能力与有效利用数据进行科学发现之间日益扩大的差距。
• 克服当前科学研究中对人工操作和高技能专家高度依赖的现状。
• 通过整合人类智能与计算工具，实现自动化、闭环的科学发现。
• 开发形式化方法和仿真框架，以算法化方式建模复杂的自然过程。
• 推动认知工具的创新，使其在科学过程的所有阶段延伸人类能力。

提出的方法

• 设计自然现象的算法抽象或信息处理抽象，以计算方式建模科学过程。
• 整合形式化方法和工具，用于分析和仿真这些抽象，以确保正确性和可扩展性。
• 开发作为科学工作流中智能协作者的认知工具，支持问题提出、实验设计和结果评估。
• 在闭环发现过程中实现人机系统之间的双向交互。
• 通过标准化框架促进科学抽象、模型和工具在不同学科间的共享与复用。
• 利用人工智能、分布式计算和人机交互的最新进展，提升科学推理与决策能力。

实验结果

研究问题

• RQ1 如何对自然过程的算法抽象进行形式化建模与仿真，以支持科学发现？
• RQ2 在科学过程的所有阶段，需要哪些认知工具才能有效与科学家协同合作？
• RQ3 形式化方法如何确保用于科学研究的计算模型的正确性与可靠性？
• RQ4 为使认知工具对科学家而言直观且高效，需要哪些架构与界面创新？
• RQ5 如何通过共享的、可复用的科学抽象和计算工作台，增强跨学科协作？

主要发现

• 本文确立了一项基础性研究议程，通过计算创新加速科学发现，尤其聚焦于建模与认知工具。
• 它指出了对形式化方法的迫切需求，以验证和仿真科学抽象，确保其稳健性与可重现性。
• 能以闭环方式与科学家协同的认知工具，可显著减少人工工作量并加速发现周期。
• 将人类专业知识与计算系统整合，是应对复杂、开放性科学问题的关键。
• 所提出的议程强调了跨领域科学模型与工具的互操作性、共享与复用。
• 白皮书将计算社区联盟（CCC）定位为推动该研究议程规模化发展的关键驱动力。