Escolar Documentos
Profissional Documentos
Cultura Documentos
Exibir PDF
The Innovation
Volume 2, Edição 4, 28 de Novembro de 2021, 100179
Revisar
Mostre mais
Resumo público
• "As máquinas podem pensar?" O objetivo da inteligência artificial (IA) é permitir que
as máquinas imitem pensamentos e comportamentos humanos, incluindo
aprendizado, raciocínio, previsão e assim por diante.
A inteligência artificial (IA) juntamente com técnicas promissoras de aprendizado de máquina (ML) bem conhecidas da
ciência da computação está afetando amplamente muitos aspectos de vários campos, incluindo ciência e tecnologia,
indústria e até mesmo nosso dia-a-dia. As técnicas de ML foram desenvolvidas para analisar dados de alto rendimento
com o objetivo de obter insights úteis, categorizar, prever e tomar decisões baseadas em evidências de novas maneiras, o
que promoverá o crescimento de novas aplicações e alimentará o crescimento sustentável da IA. Este artigo realiza uma
pesquisa abrangente sobre o desenvolvimento e aplicação da IA em diferentes aspectos das ciências fundamentais,
incluindo ciência da informação, matemática, ciência médica, ciência dos materiais, geociência, ciências da vida, física e
química. Os desafios que cada disciplina da ciência encontra, e os potenciais de Técnicas de IA para lidar com esses
desafios, são discutidos em detalhes. Além disso, lançamos luz sobre novas tendências de pesquisa que implicam a
integração da IA em cada disciplina científica. O objetivo deste artigo é fornecer uma ampla diretriz de pesquisa sobre
ciências fundamentais com potencial infusão de IA, ajudar a motivar os pesquisadores a entender profundamente as
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 1/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
aplicações de última geração das ciências fundamentais baseadas em IA e, assim, ajudar a promover o desenvolvimento
contínuo dessas ciências fundamentais. Exibir PDF
Resumo gráfico
Baixe a edição completa
Download : Baixe imagem de alta-res (237KB) Download : Baixe imagem em tamanho real
Keywords
inteligência artificial; aprendizado de máquina; deep learningciência; da informação; matemáticaciência;
médica; materiais ciência; geociências; química físicaciências da; ; vida
Introdução
"As máquinas podem pensar?" Alan Turing colocou essa questão em seu famoso artigo "Máquinas de Computação e
Inteligência".1 Ele acredita que para responder a essa pergunta, precisamos definir o que é pensar. No entanto, é difícil
definir o pensamento claramente, porque pensar é um comportamento subjetivo. Turing então introduziu um método
indireto para verificar se uma máquina pode pensar, o teste de Turing, que examina a capacidade de uma máquina de
mostrar inteligência indistinguível da dos seres humanos. Uma máquina que tenha sucesso no teste é qualificada para
ser rotulada como inteligência artificial (IA).
A IA refere-se à simulação da inteligência humana por um sistema ou uma máquina. O objetivo da IA é desenvolver
uma máquina que possa pensar como humanos e imitar comportamentos humanos, incluindo perceber, raciocínio,
aprender, planejar, prever e assim por diante. A inteligência é uma das principais características que distingue os seres
humanos dos animais. Com a interminável ocorrência de revoluções industriais, um número crescente de tipos de
máquinas substitui continuamente o trabalho humano de todas as esferas da vida, e a iminente substituição dos
recursos humanos pela inteligência das máquinas é o próximo grande desafio a ser superado. Inúmeros cientistas estão
se concentrando no campo da IA, e isso torna a pesquisa no campo da IA rica e diversificada. Os campos de pesquisa em
IA incluem algoritmos de pesquisa, gráficos de conhecimento, processamento de linguagens naturais, sistemas
especializados,algoritmos de evolução, machine learning (ML), deep learning (DL), e assim por diante.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 2/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
Download : Download high-res image (492KB) Download : Baixe imagem em tamanho real
História da IA
O início da pesquisa moderna de IA pode ser traçado até John McCarthy, que cunhou o termo "inteligência artificial
(IA)", durante uma conferência no Dartmouth College em 1956. Isso simbolizou o nascimento do campo científico da
IA. O progresso nos anos seguintes foi surpreendente. Muitos cientistas e pesquisadores se concentraram no raciocínio
automatizado e aplicaram IA para provar teoremas matemáticos e resolver problemas algébricos. Um dos exemplos
famosos é Logic Theorist, um programa de computador escrito por Allen Newell, Herbert A. Simon e Cliff Shaw, que
prova 38 dos primeiros 52 teoremas em "Principia Mathematica" e fornece provas mais elegantes para alguns.2 Esses
sucessos tornaram muitos pioneiros da IA extremamente otimistas, e sustentaram a crença de que máquinas
totalmente inteligentes seriam construídas em um futuro próximo. No entanto, eles logo perceberam que ainda havia
um longo caminho a percorrer antes que os objetivos finais da inteligência humana equivalente nas máquinas
pudessem se tornar realidade. Muitos problemas não-triviários não puderam ser tratados pelos programas baseados em
lógica. Outro desafio foi a falta de recursos computacionais para calcular problemas cada vez mais complicados. Como
resultado, organizações e financiadores pararam de apoiar esses projetos de IA de sub-entrega.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 3/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
A IA voltou à popularidade na década de 1980, quando várias instituições de pesquisa e universidades inventaram um
tipo de sistemas de IA que resume uma série de regras básicas doExibir
conhecimento
PDF especializado para ajudar não
especialistas a tomar decisões específicas. Esses sistemas são "sistemas especializados". Exemplos são o XCON projetado
pela Universidade Carnegie Mellon e o MYCIN projetado pela Universidade de Stanford. O sistema especializado deriva
Baixeproblemas
regras lógicas do conhecimento especializado para resolver a edição completa
no mundo real pela primeira vez. O cerne da
pesquisa de IA durante esse período é o conhecimento que tornou as máquinas "mais inteligentes". No entanto, o
sistema especializado revelou gradualmente várias desvantagens, como tecnologias de privacidade, falta de flexibilidade,
pouca versatilidade, custo de manutenção caro, e assim por diante. Ao mesmo tempo, o Projeto de Computador de
Quinta Geração, fortemente financiado pelo governo japonês, não conseguiu cumprir a maioria de suas metas originais.
Mais uma vez, o financiamento para a pesquisa de IA cessou, e a IA foi o segundo ponto mais baixo de sua vida.
Em 2006, Geoffrey Hinton e colegas de trabalho3,4 fez um avanço na IA propondo uma abordagem de construção de
redes neurais mais profundas,bem como uma maneira de evitar o desaparecimento gradiente durante o treinamento.
Isso reacendeu a pesquisa de IA, e os algoritmos de DL tornaram-se um dos campos mais ativos da pesquisa em IA. DL
é um subconjunto de ML baseado em múltiplas camadas de redes neurais com aprendizado de representação,5
enquanto ml é uma parte da IA que um computador ou um programa pode usar para aprender e adquirir inteligência
sem intervenção humana. Assim, "aprender" é a palavra-chave desta era da pesquisa de IA. As tecnologias de big data e a
melhoria do poder computacional tornaram os recursos e informações derivados de amostras maciças de dados mais
eficientes. Um número crescente de novas estruturas de rede neural e métodos de treinamento foram propostos para
melhorar a capacidade representativa de aprendizagem da DL, e expandi-la ainda mais para aplicações gerais. Os
algoritmos DL atuais correspondem e excedem as capacidades humanas em conjuntos de dados específicos nas áreas de
visão computacional (CV) e processamento de linguagem natural (NLP). As tecnologias de IA alcançaram sucessos
notáveis em todas as esferas da vida, e continuaram a mostrar seu valor como espinha dorsal em pesquisas científicas e
aplicações do mundo real.
Dentro da IA, a ML está tendo um efeito substancial e amplo em muitos aspectos da tecnologia e da ciência: da ciência
da computação à geociência à ciência dos materiais, da ciência da vida à ciência médica à química à matemática e à
física, da ciência da gestão à economia à psicologia, e outras ciências empíricas intensivas em dados, como métodos ML
foram desenvolvidos para analisar dados de alto rendimento para obter insights úteis, categorizar, prever e tomar
decisões baseadas em evidências de novas maneiras. Para treinar um sistema, apresentando-o com exemplos de
comportamento desejado de saída de entrada, poderia ser muito mais fácil do que programá-lo manualmente,
prevendo a resposta desejada para todas as entradas potenciais. As seções a seguir pesquisam oito ciências
fundamentais, incluindo ciência da informação (informática), matemática, ciência médica, ciência dos materiais,
geociência, ciências da vida, física e química, que desenvolvem ou exploram técnicas de IA para promover o
desenvolvimento das ciências e acelerar suas aplicações para beneficiar os seres humanos, a sociedade e o mundo.
IA em ciência da informação
A IA tem como objetivo fornecer as habilidades de percepção, cognição e tomada de decisão para máquinas.
Atualmente, novas pesquisas e aplicações em ciência da informação estão surgindo a uma taxa sem precedentes, o que é
inseparável do apoio da infraestrutura de IA. Como mostrado na Figura 2,a camada de infraestrutura de IA inclui dados,
poder de armazenamento e computação, algoritmos de MLe a estrutura de IA. A camada de percepção permite que as
máquinas tenham a capacidade básica de visão, audição, etc. Por exemplo, o CV permite que as máquinas "vejam" e
identifiquem objetos, enquanto o reconhecimento de fala e a síntese ajudam as máquinas a "ouvir" e reconhecer
elementos da fala. A camada cognitiva fornece maiores níveis de habilidade de indução, raciocínio e aquisição de
conhecimento com a ajuda de PNL, 6 gráficos de conhecimento,7 e aprendizado contínuo.8 Na camada de tomada de
decisão, a IA é capaz de tomar decisões ideais, como planejamento automático, sistemas especializados e sistemas de
suporte a decisões. Inúmeras aplicações de IA tiveram um profundo impacto nas ciências fundamentais, na fabricação
industrial, na vida humana, na governança social e no ciberespaço. As seguintes subseções fornecem uma visão geral da
estrutura de IA, tecnologia automática de aprendizado de máquina (AutoML) e várias aplicações de IA/ML de última
geração no campo das informações.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 4/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
Exibir PDF
Download : Download high-res image (823KB) Download : Baixe imagem em tamanho real
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 5/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
específicas.10 Olhando para a frente, existem algumas tendências que podem se tornar o mainstream do
desenvolvimento de frameworks de próxima geração. (1) Capacidade
ExibirdePDF
treinamento de modelos em super escala. Com
o surgimento de modelos derivados do Transformer, como BERT e GPT-3, a capacidade de treinar modelos grandes
tornou-se uma característica ideal da estrutura DL. Requer estruturas de IA para treinar efetivamente sob a escala de
Baixe
centenas ou até milhares de dispositivos. (2) Padrão de API a edição completa
unificado. As APIs de muitos frameworks são geralmente
semelhantes, mas ligeiramente diferentes em certos pontos. Isso leva a algumas dificuldades e esforços desnecessários
de aprendizagem, quando o usuário tenta mudar de uma estrutura para outra. A API de alguns frameworks, como o
JAX, já se tornou compatível com o padrão Numpy, que é familiar para a maioria dos praticantes. Portanto, um padrão
de API unificado para estruturas de IA pode gradualmente surgir no futuro. (3) Otimização universal do operador.
Atualmente, os núcleos do operador DL são implementados manualmente ou com base em bibliotecas de terceiros. A
maioria das bibliotecas de terceiros são desenvolvidas para atender a determinadas plataformas de hardware, causando
grandes gastos desnecessários quando os modelos são treinados ou implantados em diferentes plataformas de
hardware. A velocidade de desenvolvimento de novos algoritmos DL é geralmente muito mais rápida do que a taxa de
atualização das bibliotecas, o que muitas vezes faz com que novos algoritmos estejam além do alcance do suporte das
bibliotecas.11
Para melhorar a velocidade de implementação dos algoritmos de IA, muitas pesquisas se concentram em como usar
hardware para aceleração. A família DianNao é uma das primeiras inovações de pesquisa em aceleradores de
hardwarede IA.12 Inclui DianNao, DaDianNao, ShiDianNao e PuDianNao, que podem ser usados para acelerar a
velocidade de inferência de redes neurais e outros algoritmos ML. Destes, o melhor desempenho de um sistema
DaDianNao de 64 chips pode alcançar uma velocidade de 450,65× sobre uma GPU e reduzir a energia em 150,31×. O
Prof. Chen e sua equipe no Instituto de Tecnologia da Computação também projetaram uma Arquitetura de Conjunto
de Instruções para uma ampla gama de aceleradores de rede neural, chamado Cambricon, que se desenvolveu em um
acelerador DL serial. Depois de Cambricon, muitas empresas relacionadas à IA, como Apple, Google, HUAWEI, etc.,
desenvolveram seus próprios aceleradores de DL, e aceleradoras de IA tornaram-se um importante campo de pesquisa
da IA.
IA para IA — AutoML
O AutoML tem como objetivo estudar como usar a computação evolutiva, o aprendizado de reforço (RL) e outros
algoritmos de IA, para gerar automaticamente algoritmos de IA especificados. Pesquisas sobre a geração automática de
redes neurais já existiram antes do surgimento da DL, por exemplo, evolução neural.13 O principal objetivo da evolução
neural é permitir que as redes neurais evoluam de acordo com o princípio de sobrevivência do mais apto no mundo
biológico. Através da seleção, crossover, mutação e outros operadores evolutivos, a qualidade individual em uma
população é continuamente melhorada e, finalmente, o indivíduo com maior aptidão representa a melhor rede neural.
A inspiração biológica neste campo está no processo evolutivo dos neurônios cerebrais humanos. O cérebro humano
desenvolveu funções de aprendizagem e memória que não pode fazer sem o complexo sistema de rede neural no
cérebro. Todo o sistema de rede neural do cérebro humano se beneficia de um longo processo evolutivo em vez de
descida gradiente e propagação traseira. Na era do DL, a aplicação de algoritmos de IA para gerar automaticamente
DNN tem atraído mais atenção e, gradualmente, desenvolvido em uma direção importante da pesquisa AutoML: a
pesquisa da arquitetura neural. Os métodos de implementação da pesquisa da arquitetura neural são geralmente
divididos no método baseado em RL e no método baseado em algoritmos evolutivos. No método baseado em RL, um
RNN é usado como um controlador para gerar uma estrutura de rede neural camada por camada, e então a rede é
treinada, e a precisão do conjunto de verificação é usada como sinal de recompensa do RNN para calcular o gradiente
de estratégia. Durante a iteração, o controlador dará à rede neural, com maior precisão, um maior valor de
probabilidade, de modo a garantir que a função de estratégia possa produzir a estrutura ideal da rede.14 O método de
busca da arquitetura neural através da evolução é semelhante ao método de evolução neural, que é baseado em uma
população e itera continuamente de acordo com o princípio de sobrevivência do mais apto, de modo a obter uma rede
neural de alta qualidade.15 Através da aplicação da tecnologia de pesquisa de arquitetura neural, o design de redes
neurais é mais eficiente e automatizado, e a precisão da rede gradualmente supera a das redes projetadas por
especialistas em IA. Por exemplo, a rede SOTA EfficientNet do Google foi realizada através da rede de base baseada na
pesquisa de arquitetura neural.16
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 6/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
A aplicação de DL no campo de networking tem recebido forte interesse. O design de rede muitas vezes se baseia em
condições iniciais de rede e/ou suposições teóricas para caracterizar
Exibirambientes
PDF reais de rede. No entanto, a modelagem
e o design de rede tradicionais, regulados por modelos matemáticos, dificilmente lidarão com cenários complexos com
muitos ambientes de rede imperfeitos e de alta dinâmica. A integração do DL à pesquisa de rede permite uma melhor
Baixeoa DL
representação de ambientes complexos de rede. Além disso, edição completa
poderia ser combinado com o processo de decisão de
Markov e evoluir para o modelo de aprendizagem de reforço profundo (DRL), que encontra uma política ideal baseada
na função de recompensa e nos estados do sistema. Juntas, essas técnicas poderiam ser utilizadas para tomar melhores
decisões para orientar o design adequado da rede, melhorando assim a qualidade do serviço e a qualidade da
experiência da rede. No que diz respeito ao aspecto de diferentes camadas da pilha de protocolos de rede, o DL/DRL
pode ser adotado para extração de recursos de rede, tomada de decisão, etc. Na camada física, o DL pode ser usado para
alinhamento de interferência. Ele também pode ser usado para classificar os modos de modulação, projetar codificação
de rede eficiente 17e códigos de correção deerros, etc. Na camada de link de dados,oDL pode ser usado para alocação de
recursos (como canais), controle de acesso médio,previsão de tráfego,18 link avaliação de qualidade, e assim por diante.
Na camada de rede (roteamento), estabelecimento de roteamento e otimização de roteamento19 pode ajudar a obter um
caminho de roteamento ideal. Em camadas mais altas (como a camada de aplicativo), é usada a compactação aprimorada
de dados e a alocação de tarefas. Além da pilha de protocolos acima, uma área crítica do uso de DL é a segurança de
rede. O DL pode ser usado para classificar os pacotes em tipos benignos/maliciosos, e como ele pode ser integrado com
outros esquemas de ML, como clustering não supervisionado, para obter um melhor efeito de detecção de anomalias.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 7/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
• A IA poderia ser usada para produzir simulações de objetos do mundo real, chamados gêmeos digitais. Quando
aplicados na área de engenharia, os gêmeos digitais permitem que engenheiros e técnicos analisem virtualmente o
desempenho de um equipamento, evitando questões de segurança e orçamento associadas aos métodos tradicionais
de teste.
• Combinados com a IA, robôs inteligentes estão desempenhando um papel importante na indústria e na vida
humana. Diferente dos robôs tradicionais que trabalham de acordo com os procedimentos especificados pelos
humanos, os robôs inteligentes têm a capacidade de percepção, reconhecimento e até mesmo planejamento
automático e tomada de decisões, baseados em mudanças nas condições ambientais.
• Aplicações de IA das coisas (AIoT) ou IoT habilitadas para IA.30 tornaram-se uma tendência promissora de
desenvolvimento. A IA pode capacitar os dispositivos de IoT conectados, incorporados em várias infraestruturas
físicas, a perceber, reconhecer, aprender e agir. Por exemplo, cidades inteligentes coletam constantemente dados
sobre fatores de qualidade de vida, como o status de fornecimento de energia, transporte público, poluição do ar e
uso da água, para gerenciar e otimizar sistemas nas cidades. Devido a esses dados, especialmente dados pessoais
sendo coletados de participantes informados ou não informados, segurança de dados e privacidade31 requerem
proteção.
IA em matemática
A matemática sempre desempenha um papel crucial e indispensável na IA. Décadas atrás, algumas abordagens clássicas
relacionadas à IA, como o vizinho k-mais próximo,32 máquina vetorial de suporte,33 e AdaBoost,34 foram propostos e
desenvolvidos após suas rigorosas formulações matemáticas terem sido estabelecidas. Nos últimos anos, com o rápido
desenvolvimento do DL,35 A IA vem ganhando cada vez mais atenção na comunidade matemática. Equipado com o
processo Markov, otimização de minimax e estatísticas bayesianas, RL,36 Gans37 e aprendizado bayesiano38 tornaram-se
as ferramentas mais favoráveis em muitas aplicações de IA. No entanto, ainda existem muitos problemas abertos em
matemática para ML, incluindo a interpretação das redes neurais, os problemas de otimização da estimativa de
parâmetros e a capacidade de generalização dos modelos de aprendizagem. No resto desta seção, discutimos essas três
questões por sua vez.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 8/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
41
Barron. As quantidades correspondentes de redes residuais (ResNets) são definidas para os espaços induzidos pelo
fluxo. Para redes de várias camadas, os espaços de função naturalExibir
para PDF
fins de teoria da aproximação são os espaços de
função semelhantes às árvores introduzidos em Wojtowytsch.42 Existem vários trabalhos revelando a relação entre redes
neurais e algoritmos numéricos para a resolução de equações diferenciais parciais. Por exemplo, Ele e Xu43 descobriu
que as CNNs para classificação de imagem têm uma forte Baixe a edição
conexão comcompleta
métodos multi-grade (MG). De fato, a operação
de agrupamento e extração de recursos em CNNs correspondem diretamente à operação de restrição e suavização
iterativa em MG, respectivamente. Assim, várias operações de convolução e agrupamento utilizadas em CNNs podem
ser melhor compreendidas.
Download : Download high-res image (731KB) Download : Baixe imagem em tamanho real
Figura 3. IA em matemática
Estudos recentes indicam que as funçõesde ativação do não-dente , por exemplo, unidades lineares retificadas, são
melhores do que as lisas na busca de soluções esparsas. No entanto, a regra da cadeia não funciona no caso de as
funções de ativação não serem desmooto, o que torna não possível o gradiente estocástico (SG) amplamente utilizado
em teoria. Tomar gradientes aproximados em iteratos não-antimoóis como um remédio garante que os métodos do
tipo SG ainda estejam em uso extensivo, mas que as evidências numéricas também expuseram suas limitações. Além
disso, as abordagens baseadas em penalidades propostas por Cui et al.46 e Liu et al.47 fornecer uma nova direção para
resolver os problemas de otimização de não-omooth de forma eficiente.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 9/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
IA em ciências médicas
Há uma grande tendência para que a tecnologia de IA cresça cada vez mais significativa nas operações diárias, incluindo
as áreas médicas. Com as crescentes necessidades de atenção à saúde dos pacientes, as necessidades hospitalares estão
evoluindo da rede informatização para o Hospital da Internet e, eventualmente, para o Smart Hospital. Ao mesmo
tempo, as ferramentas de IA e o desempenho do hardware também estão crescendo rapidamente a cada dia que passa.
Eventualmente, algoritmos comuns de IA, como CV, PNLe mineração de dados, começarão a ser incorporados no
mercado de equipamentos médicos (Figura4).
Download : Download high-res image (801KB) Download : Baixe imagem em tamanho real
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 10/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
organizações médicas na China também. O Doutor Watson aproveita o desempenho do PNL da plataforma IBM
Watson, que já coletou vastos dados do histórico médico, bem como
Exibirconhecimento
PDF prévio na literatura para referência.
Após a entrada no caso dos pacientes, o Doutor Watson procura a reserva de histórico médico e forma uma proposta de
tratamento elementar, que será ainda mais classificada por reservas de conhecimento prévias. Com os múltiplos
Baixe bem
modelos armazenados, o Doutor Watson dá a proposta final, a edição
comocompleta
a confiança da proposta. No entanto, ainda há
51
problemas para tais médicos de IA porque, como eles dependem de experiência prévia dos hospitais dos EUA, a
proposta pode não ser adequada para outras regiões com diferentes apólices de seguro médico. Além disso, a
atualização do conhecimento da plataforma Watson também depende muito da atualização da reserva de
conhecimento, que ainda precisa de trabalho manual.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 11/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
soluções precisas de gestão da saúde baseadas em dados genéticos individuais e familiares. Nos 20-30 anos do recurso
próximo, acreditamos que há várias direções para novas pesquisas: (1) inferência
Exibir PDF causal para previsão de risco hospitalar
em tempo real. Médicos clínicos geralmente adquirem explicações razoáveis para certas decisões médicas, mas os
modelos atuais de IA hoje em dia geralmente são modelos de caixa preta. A inferência casual ajudará os médicos a
Baixe
explicar certas decisões de IA e até mesmo descobrir novas a ediçãoterrestres.
verdades completa (2) Dispositivos, incluindo instrumentos
vestíveis para monitoramento multidimensional de saúde. O modelo multi-modalidade é agora uma tendência para a
pesquisa de IA. Com vários dispositivos para coletar dados multi-modalidade e um processador central para fundir
todos esses dados, o modelo pode monitorar a condição geral de saúde do usuário em tempo real e dar precauções com
mais precisão. (3) Descoberta automática de marcadores clínicos para doenças de difícil diagnóstico. Doenças, como a
ELA, ainda são difíceis de diagnosticar para médicos clínicos porque não possuem nenhum marcador geral eficaz. Pode
ser possível para a IA descobrir fenômenos comuns para esses pacientes e encontrar um marcador eficaz para o
diagnóstico precoce.
Houve notáveis progressos na descoberta de novas drogas auxiliadas pela IA nos últimos anos, tanto para a descoberta
de novas entidades químicas quanto para a área de negócios relacionadas. Com base em DNNs,o DeepMind construiu a
plataforma AlphaFold para prever estruturas proteicas 3D que superaram outros algoritmos. Como ilustração de grande
conquista, a AlphaFold previu com sucesso e precisão 25 estruturas proteicas de risco de um painel de proteínas de 43
sem usar modelos de proteínas previamente construídos. Assim, a AlphaFold venceu a competição casp13 de
dobramento de proteínas em dezembro de 2018.59Com base nos GANs e outros métodos ML,a Insilico construiu um
sistema gentrl de plataforma modular de design de drogas. Em setembro de 2019, eles relataram a descoberta do
primeiro inibidor de quinase DDR1 ativo de novo desenvolvido pelo sistema GENTRL. A equipe levou apenas 46 dias
da seleção de alvos para conseguir um candidato ativo usando dados in vivo.60 Exscientia e Sumitomo Dainippon
Pharma desenvolveram um novo candidato a medicamentos, DSP-1181, para o tratamento de transtorno obsessivo-
compulsivo na plataforma Centaur Chemist AI. Em janeiro de 2020, a DSP-1181 iniciou seus ensaios clínicos de fase I, o
que significa que, desde o início do programa até o estudo da fase I, a exploração abrangente levou menos de 12 meses.
Em contraste, a descoberta de drogas comparáveis usando métodos tradicionais geralmente precisa de 4 a 5 anos com
métodos tradicionais.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 12/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
algoritmo de análise de IA apoia os médicos a acessar a capacidade de treinamento rápido de modelos de IA iterativo.
Além disso, foi desenvolvido um modelo de previsão prognóstico estabelecido
Exibir PDF pela ML e uma calculadora de resultados
prognósticos baseados na web, que pode prever com precisão o risco de recidiva pós-operatória e morte em pacientes
com câncer do colo do útero e, assim, orientar melhor a tomada de decisão no tratamento adjuvante pós-operatório.63
Baixe a edição completa
Com o rápido desenvolvimento de processamento de dados e algoritmos poderosos, métodos baseados em IA, como
ML e DL, estão surgindo com bons potenciais na busca e design de novos materiais antes de realmente fabricá-
los.65,66Ao integrar dados materiais de propriedade, como o elemento constituinte, simetria de rede, raio atômico,
valência, energia vinculante, eletronegatividade,magnetismo, polarização, banda de energia, relação estrutura-
propriedade e funcionalidades, a máquina pode ser treinada para "pensar" sobre como melhorar o design do material e
até mesmo prever as propriedades de novos materiais de forma econômica (Figura5).
Download : Download high-res image (883KB) Download : Baixe imagem em tamanho real
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 13/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
termoelétricas,70e materiais eletrônicos orgânicos para aplicações de energia renovável.66,71 O poder da computação
baseada em dados e da otimização algorítmica pode promover aplicações
Exibir PDFabrangentes de simulação e ML (ou seja,
triagem virtual de alto rendimento, design molecular inverso, otimização bayesiana e aprendizagem supervisionada,
etc.), na descoberta de materiais e previsão de propriedades em vários campos.72Por exemplo, usando uma estrutura
bayesiana DL, o design de materiais inversos orientadosBaixe a edição completa
por atributos foi demonstrado para uma previsão eficiente e
precisa de materiais moleculares funcionais, com propriedades semicondutoras desejadas ou estabilidade de redox para
aplicações em transistores orgânicos de filme fino, células solares orgânicasou baterias de íons de lítio.73 É significativo
adotar ferramentas de automação para testes experimentais rápidos de materiais potenciais e utilizar computação de
alto desempenho para calcular suas propriedades em massa, interface e defeitos.74 A convergência efetiva da automação,
computação e ML pode acelerar muito a descoberta de materiais. No futuro, com o auxílio de técnicas de IA, será
possível realizar o projeto de supercondutores, vidros metálicos,ligas de solda, ligas de alta entropia, superligasde
altatemperatura, materiais termoelétricos, materiais bidimensionais,materiais magnetocalóricos, materiais bio-
inspirados em polimémeros, materiais compostos sensíveis e materiais topológicos (eletrônicos e fonoafones), e assim
por diante. Na última década, materiais topológicos inflamaram o entusiasmo da pesquisa de físicos de matéria
condensada, cientistas de materiais e químicos, pois exibem propriedades físicas exóticas com aplicações potenciais em
campos eletrônicos, termoelétricos, ópticos, catálise e energia. Das previsões mais recentes, mais de um quarto de todos
os materiais inorgânicos na natureza são topologicamente não trivial. O estabelecimento de bancos de dados de
materiais eletrônicos topológicos75, 76, 77 e bancos de dados de materiais fonográficos78 o uso de métodos de alta
produtividade ajudará a acelerar a triagem e a descoberta experimental de novos materiais topológicos para aplicações
funcionais. É reconhecido que conjuntos de dados de alta qualidade em larga escala são necessários para a prática da IA.
Grandes esforços também foram gastos na construção de bases de dados de ciência de materiais de alta qualidade.
Como uma das bases de dados mais bem classificadas desse tipo, a infraestrutura de dados de materiais
"atomly.net",79calculou as propriedades de mais de 180.000 compostos inorgânicos,incluindo suas estruturas de
equilíbrio, bandas de energia eletrônica, propriedades dielétricas, padrões simulados de difração,tensores de
elasticidade, etc. Como tal, o banco de dados atomly.net estabeleceu uma base sólida para estender a IA para a área de
pesquisa em ciência dos materiais. O modelo de partida de raios-X (XRD) do atomly.net usa ML para combinar e
classificar o XRD experimental aos padrões simulados. Muito recentemente, usando o conjunto de dados de atomly.net,
um modelo preciso de IA foi construído para prever rapidamente a energia de formação de quase qualquer composto
para produzir uma habilidade preditivabastante boa.80
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 14/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
IA em geociência
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 15/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
oportunidades para resolver uma série de problemas nos sistemas terrestres.85,86 Acompanhadas de dados
diversificados, tecnologias habilitadas para IA, como sensoresinteligentes,
Exibir PDF visualização de imagense inversão
inteligente, estão sendo ativamente examinadas em uma ampla gama de campos de geociência, como geociência
marinha, física do rock, geologia, ecologia, sismicidade, ambiente, hidrologia, sensoriamento remoto, Arc GIS e ciência
planetária. 87 Baixe a edição completa
oportunidades no setor de energia elétrica para aplicações de Al, incluindo acelerar o desenvolvimento de novas
energias limpas, melhorar a otimização e gerenciamento do sistema,
Exibirmelhorar
PDF as previsões e a distribuição da demanda
elétrica e o avanço do monitoramento do sistema.98 Novos materiais podem até ser encontrados, com o auxiliar de IA,
para baterias armazenarem energia ou materiais e absorverem CO2 da atmosfera.99 Embora as operações tradicionais de
combustíveis fósseis tenham sido amplamente utilizadasBaixe
por amilhares
edição completa
de anos, técnicas de IA estão sendo usadas para
ajudar a explorar o desenvolvimento de fontes de energia sustentáveis mais potenciais para o desenvolvimento (por
exemplo, tecnologia de fusão).100
Download : Baixe imagem de alta-res (1MB) Download : Baixe imagem em tamanho real
Além do ajuste das estruturas energéticas devido às mudanças climáticas (parte central dos sistemas de geociência), um
segundo passo menos óbvio também poderia ser dado para reduzir a emissão de gases de efeito estufa: o uso da IA para
atingir ineficiências. Um relatório estatístico relacionado do Lawrence Livermore National Laboratory apontou que
cerca de 68% da energia produzida nos EUA poderia ser melhor utilizada para atividades propositadas, como geração de
eletricidade ou transporte, mas, em vez disso, está contribuindo para cargas ambientais.101 A IA está preparada para
reduzir essas ineficiências das atuais usinas nucleares e operações de combustíveis fósseis, bem como melhorar a
eficiência dos recursos de redes renováveis.102 Por exemplo, a IA pode ser fundamental na operação e otimização de
parques solares e eólicos para tornar esses sistemas de energia renovável em escala de utilidade muito mais eficientes
na produção de eletricidade.103 A IA também pode ajudar na redução das perdas de energia no transporte e alocação de
eletricidade.104 Um operador de sistema de distribuição na Europa usou a IA para analisar dados de carga, tensão e
distribuição de rede, para ajudar "os operadores a avaliar a capacidade disponível no sistema e planejar necessidades
futuras".105 A IA permitiu que o operador do sistema de distribuição empregasse recursos existentes e novos para tornar
a distribuição de ativos energéticos mais facilmente disponível e flexível. A Agência Internacional de Energia propôs
que a eficiência energética seja fundamental para a reforma dos sistemas energéticos e desempenhará um papel
fundamental na redução do crescimento da demanda global de energia para um terço do nível atual até 2040.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 17/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
O sistema da Terra é de interesse científico significativo, e afeta todos os aspectos da vida.106 Os desafios, problemas e
direções promissoras proporcionadas pela IA definitivamente não são PDF
Exibir exaustivos, mas servem para ilustrar que há
grande potencial para futuras pesquisas de IA neste importante campo. Prosperidade, desenvolvimento e popularização
das abordagens de IA nas geociências é comumente impulsionada por uma questão científica colocada, e a melhor
Baixe a edição
maneira de ter sucesso é que os pesquisadores de IA trabalhem completa
em estreita colaboração com geocientistas em todas as
fases da pesquisa. Isso porque os geocientistas podem entender melhor qual questão científica é importante e nova,
qual processo de coleta de amostras pode razoavelmente exibir os pontos fortes inerentes, quais conjuntos de dados e
parâmetros podem ser usados para responder a essa pergunta, e quais operações de pré-processamento são conduzidas,
como a remoção de ciclos sazonais ou suavização. Da mesma forma, os pesquisadores de IA são mais adequados para
decidir quais abordagens de análise de dados são apropriadas e disponíveis para os dados, as vantagens e desvantagens
dessas abordagens e o que as abordagens realmente adquirem. A interpretação também é um objetivo importante na
geociência porque, se pudermos entender o raciocínio básico por trás dos modelos, padrões ou relacionamentos
extraídos dos dados, eles podem ser usados como blocos de construção na descoberta do conhecimento científico.
Assim, a comunicação frequente entre os pesquisadores evita longos desvios e garante que os resultados da análise
sejam de fato benéficos tanto para geocientistas quanto para pesquisadores de IA.
Por outro lado, insights da pesquisa de IA têm o potencial de oferecer novas perspectivas sobre o básico da inteligência
no cérebro de humanos e outras espécies. Ao contrário dos neurocientistas tradicionais, os pesquisadores de IA podem
formalizar os conceitos de mecanismos neurais em uma linguagem quantitativa para extrair sua necessidade e
suficiência para comportamentos inteligentes. Uma ilustração importante dessa troca é o desenvolvimento dos
métodos de diferença temporal (TD) em modelos de RL e a semelhança do aprendizado em forma de TD no cérebro.112
Portanto, o China Brain Project abrange tanto pesquisas básicas sobre cognição quanto pesquisa translacional para
doenças cerebrais e tecnologia de inteligência inspirada no cérebro.113
Em estudos genéticos, existem muitas aplicações bem sucedidas de IA.115 Uma das principais questões é determinar se
um único polimorfismo de aminoácido é deletério.116 Houve sequência de sift baseada em conservação117 e SySAP
baseado em rede,118 mas todos esses métodos encontraram gargalos e não podem ser melhorados. Sundaram et al.
desenvolveram PrimateAI, que pode prever o resultado clínico da mutação baseada em DNN.119 Outro problema é
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 18/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
como chamar variações de números de cópia, que desempenham papéis importantes em vários cânceres.120,121 Glessner
et al. propuseram uma ferramenta baseada em DL DeepCNV, na Exibir
qual aPDF
área sob a curva característica operacional do
receptor (ROC) era 0,909, muito maior do que outros métodos ML.122 Em estudos epigenéticos, a modificação m6A é
um dos mecanismos mais importantes.123 Zhang et al. desenvolveram um conjunto de preditor DL (EDLm6APred) para
previsão do local mRNA m6A.124 A área sob a curva ROCBaixe a edição completa
de EDLm6APred foi de 86,6%, superior aos modelos de
previsão de metilação m6A existentes. Existem muitas outras ferramentas de omics baseadas em DL, como o
DeepCpG125 para metilação, DeepPep126 para proteômica,AtacWorks127 para ensaio para cromatina acessível à
transposase com sequenciamento de alto rendimento e deepTCR128 para sequenciamento de receptores de células T.
Outra aplicação emergente é o DL para dados de sequenciamento de células únicas. Ao contrário dos dados em massa,
em que o tamanho da amostra é geralmente muito menor do que o número de características, o tamanho amostral das
células em dados unicelulares também pode ser grande em comparação com o número de genes. Isso torna o algoritmo
DL aplicável para a maioria dos dados de células únicas. Uma vez que os dados unicelulares são escassos e têm muitos
valores ausentes não mespicantes, o DeepImpute pode imputar com precisão esses valores perdidos na grande matriz
genética × células.129 Durante o controle de qualidade dos dados unicelulares, é importante remover as células
incorporadas solo doublet, usando autoencocodor, e, em seguida, construir uma rede neural para a alimentação para
identificar o doublet.130 A energia potencial subjacente aos gradientes unicelulares usou modelagem generativa para
aprender a paisagem de diferenciação subjacente a partir de dados de sequenciamento de RNA de séries
tempoarticais.131
Na previsão da estrutura proteica,o AIphaFold2 baseado em DL pode prever com precisão as estruturas 3D de 98,5% das
proteínas humanas, e prevê as estruturas de 130 milhões de proteínas de outros organismos nos próximos meses.132 É
até considerado o segundo maior avanço em ciências da vida após o projeto do genoma humano133 e facilitará o
desenvolvimento de drogas entre outras coisas.
A reprodução tradicional geralmente explora variações genéticas pesquisando variação natural ou mutagêneseartificial.
No entanto, é difícil para qualquer um dos métodos expor todo o espectro de mutação. Usando modelos DL treinados
nas variantes existentes, previsões podem ser feitas em vários loci genéticosnão identificados .136 Por exemplo, um
método ML, preditor de genes reprodutivos de arroz multi-critérios, foi desenvolvido e aplicado para prever a
codificação e os genes lincRNA associados aos processos reprodutivos no arroz.137 Além disso, modelos treinados em
espécies com dados genômicos bem estudados (como arabidopsis e arroz) também podem ser aplicados a outras espécies
com informações limitadas do genoma (como morango selvagem e soja).138Na maioria dos casos, as ligações entre
genótipos e fenótipos são mais complicadas do que esperávamos. Um gene geralmente pode responder a vários
fenótipos, e uma característica é geralmente o produto do sinergismo entre multi-genes e multi-desenvolvimento. Por
essa razão, foram desenvolvidos modelos de DL multi-características e habilitados para edição genômica na criação de
plantas.139,140
É sabido que o monitoramento dinâmico e preciso das culturas durante todo o período de crescimento é de vital
importância para a agricultura de precisão. Na nova etapa da agricultura, tanto o sensoriamento remoto quanto o DL
desempenham papéis indispensáveis. Especificamente, o sensoriamento remoto (incluindo sensoriamento proximal)
poderia produzir big data agrícola de plataformas terrestres, transmitidas pelo ar, até plataformas espaciais, que têm
um potencial único para oferecer uma abordagem econômica para informações não destrutivas, oportunas, objetivas,
sinópticas, de longo prazo e multies em escala para monitoramento e manejo de culturas, auxiliando assim em decisões
de precisão sobre irrigação, nutrientes, doenças, pragas e rendimentos.141,142 A DL torna possível descobrir de forma
simples, eficiente e precisa o conhecimento a partir de dados massivos e complicados, especialmente para o
sensoriamento remoto de big data que se caracteriza com múltiplas informações espaço-temporal-espectrais, devido à
sua forte capacidade de representação e superioridade na captura da relação essencial entre dados de observação e
parâmetros de agronomia ou traços de cultura.135,143 A integração do DL e do big data para a agricultura tem
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 19/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
demonstrado a força mais disruptiva, tão grande quanto a revolução verde. Como mostrado na Figura 7, para possível
aplicação, um cenário de agricultura inteligente, dados de sensoriamento
Exibir PDFremoto de satélite de várias fontes com várias
informações geo e radiométricas, bem como abundância de informações espectrais de UV, infravermelho visível e de
ondas curtas para regiões de micro-ondas, podem ser coletados. Além disso, sistemas avançados de aeronaves, como
Baixe a edição
veículos aéreos não tripulados com câmeras multi/hiperespectrais completa
a bordo e dispositivos portáteis baseados em
smartphones, serão usados para obter dados multi/hiperespectrais em campos específicos. Todos os tipos de dados
podem ser integrados por técnicas de fusão baseadas em DL para diferentes propósitos e, em seguida, compartilhados
para todos os usuários para computação em nuvem. Na plataforma de computação em nuvem, diferentes modelos de
sensoriamento remoto agrícola desenvolvidos por uma combinação de métodos ml baseados em dados e modelos
físicos, serão implantados e aplicados para adquirir uma gama de parâmetros biofísicos e bioquímicos das culturas, que
serão ainda mais analisados por um sistema de tomada de decisão e previsão para obter o estresse atual da
água/nutrientes, status de crescimento, e prever o desenvolvimento futuro. Como resultado, uma plataforma
automática ou interativa de atendimento ao usuário pode ser acessível para tomar as decisões corretas para ações
apropriadas por meio de um sistema integrado de irrigação e fertilização.
Download : Baixe imagem de alta-res (1MB) Download : Baixe imagem em tamanho real
Além disso, a DL apresenta vantagens únicas em aplicações agrícolas específicas, como para cenas densas, que
aumentam a dificuldade de plantio e colheita artificiais. É relatado que os modelos CNNs e Autoencoder, treinados com
dados de imagem, estão sendo cada vez mais utilizados para fenotipagem e estimativa de rendimento,144 como a
contagem de frutas em pomares, reconhecimento e classificação de grãos, diagnóstico da doença, etc.145, 146, 147
Consequentemente, isso pode liberar muito a força de trabalho.
A aplicação do DL na agricultura está apenas começando. Ainda há muitos problemas e desafios para o
desenvolvimento futuro da tecnologia DL. Acreditamos que, com a aquisição contínua de dados maciços e a otimização
de algoritmos, a DL terá uma melhor perspectiva na produção agrícola.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 20/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
IA em física
Exibir PDFdo Universo (Figura8). De acordo com a escala,
A escala da física moderna varia do tamanho de um nêutron ao tamanho
a física pode ser dividida em quatro categorias: física de partículas na escala de nêutrons, física nuclear na escala dos
átomos, física da matéria condensada na escala das moléculas, e física cósmica na escala do Universo. A IA, também
Baixe a edição completa
chamada de ML, desempenha um papel importante em toda a física em diferentes escalas, uma vez que o uso do
algoritmo de IA será a principal tendência nas análises de dados, como a reconstrução e análise de imagens.
Download : Baixe imagem de alta-res (1MB) Download : Baixe imagem em tamanho real
A LQCD estuda as propriedades não perturbadas do QCD usando simulações de Monte Carlo em supercomputadores
para nos ajudar a entender a forte interação que une quarks para formar núcleos. Markov cadeia Monte Carlo
simulações comumente usadas em LQCD sofrem de congelamento topológico e desaceleração crítica à medida que as
simulações se aproximam da situação real do mundo real. Novos algoritmos com a ajuda de DL estão sendo propostos e
testados para superar essas dificuldades.148,149 Os observáveis físicos são extraídos dos dados de LQCD, cuja relação
sinal-ruído se deteriora exponencialmente. Para teorias de bitola não abelianas, como QCD, deformações complicadas
de contorno podem ser otimizadas usando ML para reduzir a variância de dados LQCD. Foram estudadas aplicações de
prova de princípio em duas dimensões.150 O ML também pode ser usado para reduzir o custo de tempo de geração de
dados LQCD.151
No lado experimental, a identificação de partículas (PID) desempenha um papel importante. Recentemente, alguns
algoritmos PID no BES-III foram desenvolvidos, e o ANN152 é um deles. Além disso, o aumento de gradiente extremo
tem sido usado para repesamento de distribuição multidimensional, identificação de múon e reconstrução de cluster, e
pode melhorar a identificação do múon. U-Net é uma rede convolucional para segmentação semântica em nível de
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 21/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
pixel, que é amplamente utilizada em CV. Foi aplicado no BES-III para resolver o problema da localização da pista de
curling multi-turn para a câmara de deriva principal. A eficiênciaExibir
média e pureza para os hits do primeiro turno é de
PDF
cerca de 91%, no limiar de 0,85. Os experimentos atuais (e futuros) de física de partículas estão produzindo uma
enorme quantidade de dados. A inclinação da máquina pode ser usada para discriminar entre o sinal e eventos de
fundo esmagadores. Exemplos de análises de dados sobre Baixe
LHC,a edição completa
utilizando ML supervisionado,podem ser encontrados
153
em uma colaboração de 2018. Para levar a vantagem potencial dos computadores quânticos para a frente, os métodos
quânticos de ML também estão sendo investigados, veja, por exemplo, Wu et al.,154 e referências, para estudos de prova
de conceito.
AIso, para detecção nuclear, os Cs2Rio LiYCl6:O sinal ce (CLYC) pode reagir a elétrons e nêutrons para criar um sinal de
pulso e, portanto, pode ser aplicado para detectar nêutrons e elétrons,156 mas precisa identificar as duas partículas
analisando as formas das ondas, que é n-γ ID. O método tradicional tem sido o método PSD (discriminação de forma
de pulso), que é usado para separar as ondas de duas partículas analisando a distribuição das informações de pulso —
como amplitude, largura, tempo de elevação, tempo de queda e as duas partículas que podem ser separadas quando a
distribuição tem duas distribuições gaussianas separadas . O PSD tradicional só pode analisar ondas de pulso único, em
vez de ondas multipulsas, quando duas partículas reagem com CLYC de perto. Mas pode ser resolvido usando um
método ANN para classificação das seis categorias (n,γ,n + n,n + γ,γ + n,γ). Além disso, existem vários parâmetros que
poderiam ser usados pela IA para melhorar o algoritmo de reconstrução com alta eficiência e menos erro.
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 22/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
Há mais de uma década, um projeto de ciência cidadã chamado "Galaxy Zoo" foi proposto para ajudar a rotular um
milhão de imagens de galáxias coletadas pelo Sloan Digital Sky Survey (SDSS) postando imagens online e recrutando
voluntários.162 Telescópios ópticos maiores, em operação ou em construção, produzem dados de várias ordens de
magnitude superiores ao SDSS. Mesmo com os voluntários envolvidos, não há como analisar a grande quantidade de
dados recebidos. As vantagens do ML não se limitam à localização de fontes e à classificação da galáxia. Na verdade, ele
tem uma gama muito maior de aplicações. Por exemplo, a CNN desempenha um papel importante na detecção e
decodificação de sinais de ondas gravitacionais em tempo real, reconstruindo todos os parâmetros dentro de 2 ms,
enquanto algoritmos tradicionais levam vários dias para realizar a mesma tarefa.163 Tais sistemas DL também têm sido
usados para gerar alertas automaticamente para transitórios e rastrear asteroides e outros objetos próximos à Terra em
movimento rápido, melhorando a eficiência de detecção por várias ordens de magnitude. Além disso, astrofísicos estão
explorando o uso de redes neurais para medir aglomerados de galáxias e estudar a evolução do Universo.
Além da velocidade incrível, as redes neurais parecem ter uma compreensão mais profunda dos dados do que o
esperado e podem reconhecer padrões mais complexos, indicando que a "máquina" está evoluindo em vez de apenas
aprender as características dos dados de entrada.
IA em química
Química desempenha um importante papel "central" em outras ciências164porque é a investigação da estrutura e
propriedades da matéria, e identifica as reações químicas que convertem substâncias em outras substâncias. Assim, a
química é um ramo rico em dados da ciência contendo informações complexas resultantes de séculos de experimentos
e, mais recentemente, décadas de análise computacional. Este vasto tesouro de dados é mais evidente dentro dos
Serviços De Resumo Químico, que coletou mais de 183 milhões de substâncias orgânicas e inorgânicas únicas,
incluindo ligas, compostos de coordenação, minerais, misturas, polímeros e sais, e está se expandindo por adição de
milhares de novas substâncias adicionais diariamente.165 A complexidade ilimitada na variedade de compostos
materiais explica por que a pesquisa química ainda é uma tarefa intensiva em mão-de-obra. O nível de complexidade e
grandes quantidades de dados dentro da química fornece uma oportunidade privilegiada para alcançar avanços
significativos com a aplicação da IA. Primeiro, o tipo de moléculas que podem ser construídas a partir de átomos são
quase ilimitadas, o que leva a espaço químico ilimitado166; a interconexão dessas moléculas com todas as combinações
possíveis de fatores, como temperatura, substratos e solventes, são esmagadoramente grandes, dando origem a espaço
de reação ilimitado.167 A exploração do espaço químico ilimitado e do espaço de reação, e navegar para as ideais com as
propriedades desejadas, é, portanto, praticamente impossível apenas dos esforços humanos. Em segundo lugar, na
química, a enorme variedade de moléculas e a interação delas com os ambientes externos traz um novo nível de
complexidade, que não pode ser simplesmente previsto usando leis físicas. Embora muitos conceitos, regras e teorias
tenham sido generalizados a partir de séculos de experiência ao estudar sistemas triviais (ou seja, componente único),
complexidades não triviais são mais prováveis quando descobrimos que "mais é diferente" nas palavras de Philip
Warren Anderson, físico americano e ganhador do Nobel.168 Complexidades nãotriviais ocorrerão quando a escala
mudar, e a quebra da simetria em sistemas maiores e cada vez mais complexos, e as regras passarão de quantitativas
para qualitativas. Devido à falta de teoria sistemática e analítica em relação às estruturas, propriedades e transformações
de substâncias macroscópicas, a pesquisa química é, portanto, incorretamente, guiada por heurísticas e regras
fragmentadas acumuladas ao longo dos séculos anteriores, gerando progressos que só prosseguem por tentativa e erro.
ML reconhecerá padrões de grandes quantidades de dados; oferecendo assim uma maneira sem precedentes de lidar
com a complexidade e remodelar a pesquisa química revolucionando a maneira como os dados são usados. Todos os
subcampos da química, atualmente, utilizam alguma forma de IA, incluindo ferramentas para pesquisa química e
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 23/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
geração de dados, como química analítica e química computacional, bem como aplicação à química orgânica, catálise e
química médica, que discutimos aqui. Exibir PDF
A integração dessas abordagens baseadas em IA com a robótica permitiu a robótica totalmente guiada por IA capaz de
automatizar a síntese de pequenas moléculas orgânicas sem intervenção humana Figura 9.183,184
Exibir PDF
Download : Download high-res image (878KB) Download : Baixe imagem em tamanho real
Figura 9. Um fluxo de trabalho em loop fechado para permitir o design automático e inteligente, síntese e ensaio de
moléculas em química orgânica por IA
seja a única abordagem realista para atender aos requisitos do órgão regulador para triagem, priorização e avaliação de
riscos de produtos químicos (incluindo misturas), revolucionando a paisagem
Exibir PDF em toxicologia.187 Em resumo, a IA está
transformando a química de um ramo intensivo de trabalho da ciência para um campo altamente inteligente,
padronizado e automatizado, e muito mais pode ser alcançado em comparação com a limitação do trabalho humano.
Baixe a edição
Espera-se que o conhecimento subjacente com novos conceitos, completa
regras e teorias avance com a aplicação de algoritmos
de IA. Espera-se que uma grande parte do novo conhecimento de química que leve a avanços significativos seja gerada a
partir de pesquisas químicas baseadas em IA nas próximas décadas.
Conclusões
Este artigo realiza uma pesquisa abrangente sobre o desenvolvimento e aplicação da IA em uma ampla gama de ciências
fundamentais, incluindo ciência da informação, matemática, ciência médica, ciência dos materiais, geociência, ciências
da vida, física e química. Apesar de a IA ter sido amplamente usada em uma ampla gama de aplicações, ainda existem
riscos de segurança ML em dados e modelos ML como alvos de ataque durante as fases de treinamento e execução. Em
primeiro lugar, uma vez que o desempenho de um sistema ML é altamente dependente dos dados usados para treiná-
lo, esses dados de entrada são cruciais para a segurança do sistema ML. Por exemplo, ataques de exemplo
contraditório188 fornecer dados de entrada maliciosos muitas vezes leva o sistema ML a fazer falsos julgamentos
(previsões ou categorizações) com pequenas perturbações que são imperceptíveis aos seres humanos; o envenenamento
por dados manipulando intencionalmente dados brutos, de treinamento ou de teste pode resultar em uma diminuição
na precisão do modelo ou levar a outros propósitos de ataque específicos para erros. Em segundo lugar, os ataques do
modelo ML incluem ataques de backdoor em DL, CNNe aprendizados federados que manipulam diretamente os
parâmetros do modelo, bem como ataque de roubo de modelo, ataque de inversão de modelos e ataque de inferência de
membros, que podem roubar os parâmetros do modelo ou vazar os dados confidenciais de treinamento. Embora uma
série de técnicas de defesa contra essas ameaças à segurança tenham sido propostas, novos modelos de ataque que
visam sistemas ML estão constantemente emergindo. Assim, é necessário resolver o problema da segurança ML e
desenvolver sistemas ML robustos que permanecem eficazes sob ataques maliciosos.
Devido ao caráter baseado em dados do método ML,os recursos dos dados de treinamento e teste devem ser extraídos
da mesma distribuição, o que é difícil de garantir na prática. Isso porque, na aplicação prática, a fonte de dados pode ser
diferente da do conjunto de dados de treinamento. Além disso, a distribuição de recursos de dados pode derivar ao
longo do tempo, o que leva a um declínio do desempenho do modelo. Além disso, se o modelo for treinado apenas com
novos dados, levará a um catastrófico "esquecimento" do modelo, o que significa que o modelo só se lembra das novas
características e esquece as características previamente aprendidas. Para resolver esse problema, cada vez mais
estudiosos prestam atenção em como fazer com que o modelo tenha a capacidade de aprendizagem ao longo da vida, ou
seja, uma mudança no paradigma da computação de "aprendizagem offline + raciocínio online" para "aprendizagem
contínua online", e assim dar ao modelo a capacidade de aprendizagem ao longo da vida, assim como um ser humano.
Confirmações
Este trabalho foi parcialmente apoiado pelo Programa Nacional de P&D da China (2018YFA0404603, 2019YFA0704900,
2020YFC1807000, e 2022 YFB1313700), a Associação de Promoção da Inovação Juvenil CAS (2011225, 2012006, 2013002,
2015316, 2016275, 2017017, 2017086, 2017120, 2017204, 2017300, 2017399, 2018356, 2020111, 2020179, Y201664,
Y201822e Y201911), NSFC (nos. 12075253, 52173241e 61902376),a Fundação do Laboratório Estadual de Detecção de
Partículas e Eletrônica (SKLPDE-ZZ-201902),o Programa de Ciência & Tecnologia Rede de Serviços da CAS (KFJ-STS-
QYZX-050 ), o Centro de Ciência Fundamental da Fundação Nacional de Ciência da Natureza da China (nos. 52088101 e
11971466),o Projeto de Desenvolvimento de Instrumentos Científicos do CAS (ZDKYYQ20210003),o Programa de
Pesquisa Prioritária Estratégica (B) do CAS (XDB33000000),a Fundação Nacional de Ciência da Província de Fujian para
Jovens Estudiosos Distintos (2019J06023),a Programa de Pesquisa Chave de Ciências fronteiriças, CAS (nº ZDBS-LY-7022
e ZDBS-LY-DQC012),o Projeto CAS para Jovens Cientistas em Pesquisa Básica (nº YSBR-005). O estudo é dedicado ao
10º aniversário da Associação de Promoção da Inovação Juvenil da Academia Chinesa de Ciências.
Contribuições autorais
Y.X., Q.W., Z.A., Fei W., C.L., Z.C., J.M.T., e J.Z. concebeu e projetou a pesquisa. Z.A., Q.W., Fei W., Libo.Z., Y.W., F.D., e
C.W.-Q. escreveu a seção "IA em ciência da informação". Xin.L. escreveu a seção "IA em matemática". J.Q., K.H., W.S.,
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 26/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
J.W., H.X., Y.H., e X.C. escreveram a seção "IA em ciência médica". E.L., C.F., Z.Y., e M.L. escreveram a seção "IA em
ciência dos materiais". Fang W., R.R., S.D., M.V., e F.K. escreveramExibir
a seção
PDF"IA em geociência". C.H., Z.Z., L.Z., T.Z., J.D.,
J.Y., L.L., M.L., e T.H. escreveram a seção "IA em ciênciasda vida ". Z.L., S.Q., e T.A. escreveram a seção "IA em física". X.L.,
B.Z., X.H., S.C., X.L., W.Z., e J.P.L. escreveram a seção "IA em química". Y.X., Q.W., e Z.A. escreveram as seções "Abstract",
"introdução","história da IA", e "conclusões". Baixe a edição completa
Declaração de interesses
Os autores não declaram interesses concorrentes.
Referências
1 A. Turing
Máquinas de Computação e Inteligência
Associação Americana de Inteligência Artificial (1995))
Google Scholar
2 P. Mccorduck
Máquinas que pensam
(Segunda Edição), W.h.freeman & Company (2004)
Google Scholar
4 G.E. Hinton
Reduzindo a dimensionalidade dos dados com redes neurais
Science, 313 (2006), pp. 504-507
View PDF CrossRef Ver registro em Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 27/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
12º Simpósio USENIX sobre Design e Implementação de Sistemas Operacionais (OSDI 16) (2016),
10.1109/TNNLS.2021.3070843 Exibir PDF
Google Scholar
13 K.O. Stanley
Redes neurais em evolução através do aumento de topologias
O Evol. Comput., 10 (2002), pp. 99-127
Ver registro em Scopus Google Scholar
14 B. Zoph
Pesquisa de arquitetura neural com aprendizado de reforço
Ciência do Meio Ambiente Total (2016))
Google Scholar
16 M. Tan
Efficientnet: repensando o dimensionamento de modelos para redes neurais convolucionais
Conferência Internacional de Machine Learning, PMLR (2019), pp. 6105-6114
Ver registro em Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 28/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
30 J. Zhang
Empoderando as coisas com inteligência: um levantamento do progresso, desafios e oportunidades em
inteligência artificial das coisas
IEEE Internet Things J., 8 (2020), pp. 7789-7817
View PDF CrossRef Ver registro em Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 29/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
LAMANCO: um esquema de autenticação mútua anônima leve para o N-Times descarregação computacional
em IoT Exibir PDF
IEEE Internet Things J., 6 (2018), pp. 4462-4471
View PDF CrossRef Ver registro em Scopus Google Scholar
Baixe a edição completa
32 T. Cover
Classificação de padrão do vizinho mais próximo
IEEE Trans. Inf. Theory, 13 (1967), pp. 21-27
View PDF CrossRef Ver registro em Scopus Google Scholar
33 C. Cortes
Redes vetoriais de suporte
Mach. Learn., 20 (1995), pp. 273-297
View PDF CrossRef Ver registro em Scopus Google Scholar
34 Y. Freund
Experimentos com um novo algoritmo de impulsionamento
ICML (1996))
Google Scholar
35 W.S. McCulloch
Um cálculo lógico das ideias imanentes na atividade nervosa
Touro. Matemática. Biophys., 5 (1943), pp. 115-133
View PDF CrossRef Ver registro em Scopus Google Scholar
38 E.H. Shuford
Alguns processos de aprendizagem bayesianos. Relatório técnico do documentário. Estados Unidos. Força aérea.
Comando de sistemas
Elétron. Syst. Division, 86 (1963), pp. 1-39
Ver registro em Scopus Google Scholar
39 G. Cybenko
Approximation by superpositions of a sigmoidal function
Math. Control Signals Syst., 2 (1989), pp. 303-314
View PDF CrossRef View Record in Scopus Google Scholar
40 F. Bach
On the equivalence between kernel quadrature rules and random feature expansions
J. Mach. Learn. Res., 18 (2017), pp. 714-751
Google Scholar
41 M.C. EW, L. Wu
A priori estimates of the population risk for two-layer neural networks
Commun. Math. Sci., 17 (2019), pp. 1407-1425
Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 30/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
42 S. Wojtowytsch
On the banach spaces associated with multi-layer relu networks: Function representation, approximation theory
Exibir PDF
and gradient descent dynamics
arXiv (2020), 10.4208/csiam-am.20-221
2007.15623 Baixe a edição completa
Google Scholar
43 J. He, J. Xu
MgNet: a unified framework of multigrid and convolutional neural network
Sci. China Math., 62 (2019), pp. 1331-1354
View Record in Scopus Google Scholar
50 Q. Sun, Y. Tao, Q. Du
Stochastic training of residual networks: a differential equation viewpoint
arXiv (2018)
1812.00174
Google Scholar
59 M. AlQuraishi
AlphaFold at CASP13
Bioinformatics, 35 (2019), pp. 4862-4865
View PDF CrossRef View Record in Scopus Google Scholar
OScc: an online survival analysis web server to evaluate the prognostic value of biomarkers in cervical cancer
Future Oncol., 15 (2019), pp. 3693-3699 Exibir PDF
View PDF CrossRef View Record in Scopus Google Scholar
79 https://atomly.net/
83 F. Press
Earth science and society
Nature, 451 (2008), pp. 301-303
View PDF CrossRef View Record in Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 34/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
92 M. Sambridge
Reconstructing time series and their uncertainty from observations with universal noise
J. Geophys. Res. Solid Earth, 121 (2016), pp. 4990-5012
View PDF View Record in Scopus Google Scholar
94 A. Pérez-Suay, G. Camps-Valls
Causal inference in geoscience and remote sensing from observational data
IEEE Trans. Geosci. Remote Sensing, 57 (2018), pp. 1502-1513
Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 35/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
100 P. Dhar
The carbon impact of artificial intelligence
Nat. Mach. Intell., 2 (2020), pp. 423-425
View PDF CrossRef View Record in Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 37/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
Predicting the clinical impact of human mutation with deep neural networks
Nat. Genet., 50 (2018), pp. 1161-1170 Exibir PDF
View PDF CrossRef View Record in Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 38/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
141 C. Atzberger
Advances in remote sensing of agriculture: context description, existing operational monitoring systems and
major information needs
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 39/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
Google Scholar
Exibir PDF
153 A.M. Sirunyan, A. Tumasyan, W. Adam, et al.
Observation of H production
Phys. Rev. Lett., 120 (2018), p. 231801 Baixe a edição completa
View PDF View Record in Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 41/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 42/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
178 M. Staszak
Artificial intelligence in the modeling of chemical reactions kinetics
Theoretical and Computational Chemistry, De Gruyter (2021), pp. 159-180
View PDF CrossRef View Record in Scopus Google Scholar
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 43/44
05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
42
Esses autores contribuíram igualmente
© 2021 O Autor(s).
https://www.sciencedirect.com/science/article/pii/S2666675821001041#undfig1 44/44