Artificial Intelligence - A Powerful Paradigm For Scientific Research - ScienceDirect

05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect
Exibir PDF
Baixe a edição completa
The Innovation
Volume 2, Edição 4, 28 de Novembro de 2021, 100179
Revisar
Inteligência artificial: Um poderoso paradigma para a pesquisa científica

YongjunXu1, 35, 42, XinLiu5, 35, 42, XinCao10, 42, ChangpingHuang18, 35, 42, EnkeLiu11, 37, 42, SenQian26, 42, XingchenLiu28, 42, YanjunWu2, 35,
FengliangDong3, 35, Cheng-Wei Qiu4, JunjunQiu6, 36, KeqinHua6, 36, Wentao Su7, Jian Wu41, Huiyu Xu8, Yong Han9, Chenguang Fu12, Zhigang
Yin13 ...JiabaoZhang33, 35
Mostre mais
Outline Compartilhar Citar
https://doi.org/10.1016/j.xinn.2021.100179 Obtenha direitos e conteúdos

Sob uma licença Creative Commons acesso aberto
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 IA pode fazer pesquisas fundamentais?" A IA juntamente com técnicas de

aprendizado de máquina está impactando uma ampla gama de ciências
fundamentais, incluindo matemática, ciência médica, física, etc.
• "Como a IA acelera pesquisas fundamentais?" Novas pesquisas e aplicativos estão

surgindo rapidamente com o suporte da infraestrutura de IA, incluindo
armazenamento de dados, poder de computação, algoritmos de IA e frameworks.
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
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
Download : Baixe imagem de alta-res (237KB) Download : Baixe imagem em tamanho real
Artigo anterior Próximo
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.
O quadro geral da IA é ilustrado na Figura 1. O processo de desenvolvimento da IA inclui inteligência perceptiva,

inteligência cognitiva e inteligência de tomada de decisão. Inteligência perceptiva significa que uma máquina tem as
Exibir PDF
habilidades básicas de visão, audição, toque, etc., que são familiares aos humanos. Inteligência cognitiva é uma
habilidade de maior nível de indução, raciocínio e aquisição de conhecimento. É inspirado pela ciência cognitiva,
Baixecom
ciência cerebral e inteligência cerebral para doar máquinas a edição
lógicacompleta
de pensamento e capacidade cognitiva
semelhante aos seres humanos. Uma vez que uma máquina tem as habilidades de percepção e cognição, muitas vezes
espera-se que ela tonha decisões ideais como seres humanos, para melhorar a vida das pessoas, a fabricação industrial,
etc. A inteligência de decisão requer o uso de ciência de dados aplicada, ciência social, teoria da decisão e ciência
gerencial para expandir a ciência de dados, de modo a tomar decisões ideais. Para alcançar o objetivo da inteligência
perceptiva, inteligência cognitiva e inteligência de tomada de decisões, é necessária a camada de infraestrutura da IA,
apoiada por dados, poder de armazenamento e computação, algoritmos de ML e estruturas de IA. Em seguida, ao
treinar modelos, ele é capaz de aprender as leis internas de dados para apoiar e realizar aplicações de IA. A camada de
aplicação da IA está se tornando cada vez mais extensa, e profundamente integrada com ciências fundamentais,
manufatura industrial, vida humana, governança social e ciberespaço, que tem um profundo impacto em nosso
trabalho e estilo de vida.
Download : Download high-res image (492KB) Download : Baixe imagem em tamanho real
Figura 1. O quadro geral da IA
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.
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.
Exibir PDF
Figura 2. O gráfico de conhecimento da estrutura de IA
A estrutura de IA fornece ferramentas básicas para a implementação de algoritmos de IA

Nos últimos 10 anos, aplicações baseadas em algoritmos de IA desempenharam um papel significativo em vários
campos e assuntos, com base na qual a prosperidade da estrutura e plataforma de DL foi fundada. Estruturas e
plataformas de IA reduzem a exigência de acesso à tecnologia de IA integrando o processo global de desenvolvimento
de algoritmos, que permite que pesquisadores de diferentes áreas a utilizem em outros campos, permitindo que eles se
concentrem em projetar a estrutura de redes neurais, fornecendo assim melhores soluções para problemas em seus
campos. No início do século XXI, apenas algumas ferramentas, como MATLAB, OpenNN e Torch, eram capazes de
descrever e desenvolver redes neurais. No entanto, essas ferramentas não foram originalmente projetadas para modelos
de IA e, portanto, enfrentaram problemas, como API do usuário complicado e falta de suporte a GPU. Durante esse
período, o uso dessas estruturas exigiu conhecimento profissional em ciência da computação e trabalho tedioso na
construção de modelos. Como solução, surgiram estruturas iniciais de DL, como Caffe, Chainer e Theano, permitindo
que os usuários construam convenientemente redes neurais profundas complexas (DNNs), como redes neurais
convolucionais (CNNs), redes neurais recorrentes (RNNs) e LSTM convenientemente, e isso reduziu significativamente
o custo da aplicação de modelos de IA. Gigantes da tecnologia então se juntaram à marcha na pesquisa de estruturas de
IA.9 O Google desenvolveu a famosa estrutura de código aberto, TensorFlow, enquanto a equipe de pesquisa de IA do
Facebook lançou outra plataforma popular, pyTorch, que é baseada no Torch; A Microsoft Research publicou a CNTK, e
a Amazon anunciou a MXNet. Entre eles, o TensorFlow, também o quadro mais representativo, referia-se ao estilo de
programação declarativa do Theano, oferecendo um espaço maior para otimização baseada em gráficos, enquanto o
PyTorch herdou o estilo de programação imperativo do Torch, que é intuitivo, amigável ao usuário, mais flexível e mais
fácil de ser rastreado. Como as modernas estruturas e plataformas de IA estão sendo amplamente aplicadas, os
praticantes agora podem montar modelos de forma rápida e conveniente, adotando vários conjuntos de blocos de
construção e linguagens especificamente adequados para determinados campos. Polidas ao longo do tempo, essas
plataformas desenvolveram gradualmente uma API de usuário claramente definida, a capacidade de treinamento multi-
GPU e treinamento distribuído, bem como uma variedade de zoológicos modelos e kits de ferramentas para tarefas
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
A IA que permite o design de rede adaptável a condições complexas de rede
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.
IA permitindo nanofotônicas mais poderosas e inteligentes

Componentes nanofotônicos revolucionaram recentemente o campo da óptica através de
metamateriais/metasuperfícies, permitindo a manipulação arbitrária de interações de luz com meta-átomos ou meta-
moléculas sub-ondas. 20, 21, 22 O design convencional desses componentes envolve geralmente modelagem para a
frente, ou seja, resolver as equações de Maxwell baseadas em nanoestruturas empíricas e intuitivas para encontrar
propriedades ópticascorrespondentes, bem como o design inverso de dispositivos nanofotônicos dado uma resposta
óptica sob demanda. A característica transdimensional de componentes macro-ópticos que consistem em nano antenas
complexas torna o processo de design muito demorado, computacionalmente caro e até numericamente proibitivo,
como o tamanho do dispositivo e o aumento da complexidade. O DL é uma plataforma eficiente e automática,
permitindo novas abordagens eficientes para projetar dispositivos nanofotônicos com funções de alto desempenho e
versáteis. Aqui, apresentamos brevemente o progresso recente da nanofotônica baseada em DL e suas aplicações
abrangentes. DL foi explorado para modelagem para a frente no início usando um DNN.23 Os coeficientes de
transmissão ou reflexão podem ser bem previstos após o treinamento em enormes conjuntos de dados. Para melhorar a
precisão de previsão da DNN em caso de pequenos conjuntos de dados, foi introduzido o aprendizado de transferência
para migrar o conhecimento entre diferentes cenários físicos, o que reduziu bastante o erro relativo. Além disso, uma
CNN e uma RNN foram desenvolvidas para a previsão de propriedades ópticas a partir de estruturas arbitrárias usando
imagens.24 A combinação CNN-RNN previu com sucesso os espectros de absorção das imagens estruturais de entrada
dadas. No design inverso de dispositivos nanofotônicos, existem três paradigmas diferentes de métodos DL, ou seja,
supervisionados, não supervisionados e RL.25 A aprendizagem supervisionada tem sido utilizada para projetar
parâmetros estruturais para as geometrias pré-definidas, como dnn tandem e DNNs bidirecionais. Métodos de
aprendizagem não supervisionados aprendem por si mesmos sem um alvo específico e, portanto, são mais acessíveis à
descoberta de novos e arbitrários padrões26 em dados completamente novos do que aprendizado supervisionado. Uma
abordagem baseada em rede adversária generativa (GAN), combinando GANs condicional e WASSerstein GANs, foi
proposta para projetar metasurfísfasmultifuncionais totalmente diecionais de forma livre. RL, especialmente o
aprendizado Q de profundidade dupla, alimenta o design inverso de dispositivos nanofotônicos de alto desempenho.27
A DL doou dispositivos nanofotônicos com melhor desempenho e aplicações mais emergentes.28,29 Por exemplo, um
manto de micro-ondas inteligente conduzido por DL exibe milissegundos e resposta auto-adaptativa a uma onda de
incidentes em constante mudança e fundo.28 Outro exemplo é que uma metasuperfície nanoplasmônica infravermelha
aumentada em DL é desenvolvida para monitorar dinâmicas entre quatro grandes classes de bio-moléculas, o que
poderia impactar os campos da biologia, bioanalítica e farmacologia desde pesquisas fundamentais, até diagnósticos de
doenças, para o desenvolvimento de medicamentos.29 O potencial do DL na ampla arena de nanofotônica vem se
desenrolando. Mesmo usuários finais sem óptica e fundo fotônico poderiam explorar o DL como um kit de
ferramentas de caixa preta para projetar dispositivos ópticos poderosos. No entanto, como interpretar/mediar o
processo DL intermediário e determinar os fatores mais dominantes na busca de soluções ideais, são dignos de serem
investigados em profundidade. Prevemos com otimismo que os avanços em algoritmos DL e infraestruturas de

computação/otimização nos permitiriam realizar abordagens deExibir
treinamento
PDF mais eficientes e confiáveis,
nanoestruturas mais complexas com formas e tamanhos sem precedentes e sistemas ópticos/optoeletrônicos mais
inteligentes e reconfiguráveis.
IA em outros campos da ciência da informação
Acreditamos que a IA tem grande potencial nas seguintes direções:
• O controle e o gerenciamento de riscos baseados em IA em utilitários podem evitar falhas caras ou perigosas de
equipamentos usando sensores que detectam e enviam informações sobre a saúde da máquina ao fabricante,
prevendo possíveis problemas que poderiam ocorrer de modo a garantir manutenção oportuna ou desligamento
automatizado.
• 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.
A interpretação das redes neurais

Do ponto de vista matemático, a ML geralmente constrói modelos não lineares,com redes neurais como um caso típico,
para aproximar certas funções. O conhecido Teorema da Aproximação Universal sugere que, sob condições muito leves,
qualquer função contínua pode ser uniformemente aproximada em domínios compactos por redes neurais,39 que serve
a uma função vital na interpretação das redes neurais. No entanto, em aplicações reais, os modelos de ML parecem
admitir aproximações precisas de muitas funções extremamente complicadas, às vezes até mesmo caixas pretas, que
estão muito além do escopo das funções contínuas. Para entender a eficácia dos modelos de ML, muitos pesquisadores
têm investigado os espaços de função que podem ser bem aproximados por eles, e as medidas quantitativas
correspondentes. Esta questão está intimamente relacionada com a teoria da aproximação clássica, mas o esquema de
aproximação é distinto. Por exemplo, Bach40 descobre que o modelo de característica aleatória está naturalmente
associado com o espaço hilbert de reproduçãocorrespondente. Da mesma forma, o espaço Barron é identificado como o
espaço de função natural associado a redes neurais de duas camadas, e o erro de aproximação é medido usando a norma
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.
Os problemas de otimização da estimativa dos parâmetros

Em geral, o problema de otimização da estimativa de parâmetros de certos DNNs é, na prática, altamente não convexo e
muitas vezes não fumante. Os minimizadores globais podem ser esperados? Qual é a paisagem dos minimizadores
locais? Como se lida com a não fumoidade? Todas essas questões não sãotriviárias do ponto de vista da otimização. De
fato, inúmeros trabalhos e experimentos demonstram que a otimização para a estimativa de parâmetros em DL é em si
um problema muito mais agradável do que se pensava; veja, por exemplo, Goodfellow et al. 44 Como consequência, o
estudo sobre o cenário da solução(Figura 3),também conhecido como superfície de perda de redes neurais, não deve
mais ser inacessível e pode até mesmo fornecer orientação para a otimização global. Os leitores interessados podem
consultar o artigo da pesquisa (Sun et al.45) para os recentes progressos neste aspecto.
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.
A capacidade de generalização dos modelos de aprendizagem

Um pequeno erro de treinamento nem sempre leva a um pequenoExibir
erroPDF
de teste. Essa lacuna é causada pela capacidade
de generalização dos modelos de aprendizagem. Um achado-chave na teoria da aprendizagem estatística afirma que o
erro de generalização é limitado por uma quantidade que cresce com o aumento da capacidade do modelo, mas
diminui à medida que o número de exemplos de treinamento aumenta.48 Uma conjectura comum relacionando a
generalização à paisagem da solução é que minima plana e larga generaliza melhor do que as afiadas. Assim, técnicas de
regularização, incluindo a abordagem de abandono,49 surgiram para forçar os algoritmos a contornar o minima afiado.
No entanto, o mecanismo por trás disso não foi totalmente explorado. Recentemente, alguns pesquisadores se
concentraram na arquitetura do tipo ResNet, com a evasão sendo inserida após a última camada convolucional de cada
edifício modular. Assim, conseguiram explicar o processo de treinamento de abandono estocástico e o efeito de
regularização de abandono da perspectiva do controle ideal.50
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).
Figura 4. IA em ciências médicas
Médico de IA com base em prontuários eletrônicos

Para dados de histórico médico, é inevitável mencionar o Dr. Watson, desenvolvido pela plataforma Watson da IBM, e
modernização da medicina, que visa resolver a oncologia, e agora é adotado pela CVS & Walgreens nos EUA e várias
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.
IA para saúde pública: Detecção de surtos e código QR de saúde para COVID-19

A IA pode ser usada para fins de saúde pública de muitas maneiras. Um uso clássico é detectar surtos de doenças
usando dados de consulta de mecanismos de busca ou dados de mídia social, como o Google fez para prever epidemias
de gripe52 e a Academia Chinesa de Ciências fez para modelar o surto COVID-19 através de fusão de informações de
várias fontes.53 Após o surto de COVID-19, um sistema de código de resposta rápida de saúde digital (QR) foi
desenvolvido pela China, primeiro para detectar contato potencial com casos de COVID-19 confirmados e, em segundo
lugar, indicar o estado de saúde da pessoa usando big data móvel.54 Cores diferentes indicam diferentes status de saúde:
verde significa saudável e está ok para a vida diária, laranja significa risco e requer quarentena, e vermelho significa
paciente COVID-19 confirmado. É fácil de usar para o público em geral, e tem sido adotado por muitos outros países. O
código QR saúde tem feito grandes contribuições para a prevenção e controle mundial da pandemia COVID-19.
Descoberta de biomarcadores com IA

Dados de alta dimensão, incluindo dados multi-omics, características do paciente, dados de testes laboratoriais
médicos, etc., são frequentemente usados para gerar vários modelos preditivos ou prognósticos através de DL ou
métodos de modelagem estatística. Por exemplo, o modelo de avaliação de gravidade COVID-19 foi construído através
de ML usando dados de perfil proteômicos e metabolômicos de sera55; usando dados genéticos, clínicos e demográficos
integrados, Taliaz et al. construíram um modelo de ML para prever a resposta do paciente a medicamentos
antidepressivos56 ; modelos prognósticos para múltiplos tipos de câncer (como câncer de fígado, câncer de pulmão,
câncer de mama, câncer gástrico, câncer colorretal, câncer de pâncreas, câncer de próstata,câncer de ovário, linfoma,
leucemia, sarcoma, melanoma, câncerde bexiga, câncer renal, câncer de tireoide , câncer de cabeça e pescoço, etc.) foram
construídos através de DL ou métodos estatísticos, como o menor encolhimento absoluto e operador de seleção
(LASSO), combinado com o modelo de regressão de riscos proporcionais de Cox utilizando dados genômicos. 57
IA médica baseada em imagem

A IA de imagem médica é uma das áreas maduras mais desenvolvidas, pois existem inúmeros modelos para tarefas de
classificação, detecção e segmentação em CV. Para a área clínica, os algoritmos cv também podem ser usados para
diagnóstico e tratamento auxiliados por computador com ECG, TC, imagem de fundo ocular,etc. Como os médicos
humanos podem estar cansados e propensos a cometer erros depois de ver centenas e centenas de imagens para
diagnóstico, os médicos de IA podem superar um visualizador de imagem médica humana devido à sua especialidade
em trabalhos repetidos sem fadiga. O primeiro produto médico de IA aprovado pela FDA é o IDx-DR, que usa um
modelo de IA para fazer previsões de retinopatia diabética. O aplicativo para smartphone SkinVision pode detectar com
precisão melanomas.58 Ele usa a "análise fractal" para identificar mols e sua pele circundante, com base no tamanho,
diâmetro e muitos outros parâmetros, e para detectar tendências de crescimento anormal. AI-ECG da LEPU Medical
pode detectar automaticamente doenças cardíacas com imagens de ECG. A Lianying Medical aproveita seus
equipamentos de hardware para produzir tecnologia de radioterapia guiada por imagem em tempo real, que consegue
tratamento preciso com sucesso.
Dispositivos vestíveis para vigilância e aviso antecipado

Para dispositivos vestíveis, o AliveCor desenvolveu um algoritmo para prever automaticamente a presença de fibrilação
atrial,que é um sinal de alerta precoce de derrame e insuficiência cardíaca. A empresa 23andMe também pode testar
amostras de saliva a um custo pequeno, e um cliente pode ser fornecido com informações baseadas em seus genes,
incluindo quem seus ancestrais eram ou doenças potenciais que podem ser propensas a mais tarde na vida. Fornece
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.
Descoberta de drogas auxiliadas em IA

Hoje chegamos à era da medicina de precisão, e as novas drogas alvo são os pilares para a terapia de precisão. No
entanto, nas últimas décadas, leva em média mais de um bilhão de dólares e 10 anos para trazer uma nova droga ao
mercado. Como acelerar o processo de descoberta de medicamentos, e evitar falhas em estágios tardios, são
preocupações fundamentais para todas as grandes e ferozmente competitivas empresas farmacêuticas. O papel
emergente destacado da IA, incluindo ML, DL, sistemas especializados e redes neurais artificiais (ANNs), trouxe novos
insights e alta eficiência para os novos processos de descoberta de medicamentos. A IA tem sido adotada em muitos
aspectos da descoberta de medicamentos, incluindo o design de moléculas de novo, modelagem baseada em estrutura
para proteínas e ligantes, pesquisa quantitativa de relacionamento estrutura-atividade e julgamentos de propriedade
drogado. Os aparelhos de IA baseados em DL demonstram méritos superiores ao resolver alguns problemas
desafiadores na descoberta de drogas. É claro que a previsão de rotas de síntese química e otimização de processos
químicos também são valiosas para acelerar a descoberta de novos medicamentos, bem como reduzir os custos de
produção.
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.
Como a IA transforma a prática médica: Um estudo de caso do câncer do colo do útero

Como tumor maligno mais comum em mulheres, o câncer do colo do útero é uma doença que tem uma causa clara e
pode ser prevenida, e até tratada, se detectada precocemente. Convencionalmente, a estratégia de rastreamento do
câncer do colo do útero adota principalmente o modelo "três passos" de "citologia cervical-colposcopia-
histopatologia".61 No entanto, limitado pelo nível de métodos de teste, a eficiência do rastreamento do câncer do colo
do útero não é alta. Além disso, devido à falta de conhecimento dos médicos em alguns hospitais primários, os
pacientes não podem ser fornecidos com as melhores decisões de diagnóstico e tratamento. Nos últimos anos, com o
advento da era da ciência da computação e do big data, a IA gradualmente começou a se estender e se misturar em
vários campos. Em particular, a IA tem sido amplamente utilizada em uma variedade de cânceres como uma nova
ferramenta para a mineração de dados. Para câncer cervical, um banco de dados clínico com milhões de prontuários
médicos e dados patológicos foi construído, e um conjunto de ferramentas médicas de IA foi desenvolvido.62 Tal
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
IA em ciência dos materiais

Como pedra angular da indústria moderna, os materiais têm desempenhado um papel crucial no desenho de formas
revolucionárias de matéria, com propriedades direcionadas para aplicações amplas em energia, informação,
biomedicina, construção, transporte, segurança nacional, voo espacial,e assim por diante. As estratégias tradicionais se
baseiam nas abordagens experimentais de tentativa e erro empíricas, bem como nos métodos de simulação teórica, por
exemplo, teoria funcional da densidade,termodinâmica ou dinâmica molecular, para descobrir novos materiais.64 Esses
métodos muitas vezes enfrentam os desafios de longos ciclos de pesquisa, altos custos e baixas taxas de sucesso, e,
portanto, não podem atender às demandas cada vez mais crescentes da ciência dos materiais atuais. Acelerar a
velocidade de descoberta e implantação de materiais avançados será, portanto, essencial na próxima era.
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).
Figura 5. Espera-se que a IA impulsione o desenvolvimento da ciência dos materiais
IA na descoberta e design de novos materiais

Recentemente, as técnicas de IA fizeram avanços significativos no design racional e na descoberta acelerada de diversos
materiais, como materiais piezoelétricos com grandes eletrostres,67 perovskites orgânico-inorgânicos para
fotovoltaica,68 emissores moleculares para diodos emissores de luz eficientes,69 materiais sólidos inorgânicos para
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
Iniciativa genoma de materiais movidos a IA

A Iniciativa genoma de materiais (MGI) é um grande plano para a realização racional de novos materiais e funções
relacionadas, e tem como objetivo descobrir, fabricar e implantar materiais avançados de forma eficiente, econômica e
inteligente. A iniciativa cria políticas, recursos e infraestrutura para acelerar o desenvolvimento de materiais em alto
nível. Este é um novo paradigma para a descoberta e o design de materiais de próxima geração, e vai do ponto de vista
de blocos de construção fundamentais para desenvolvimentos gerais de materiais, e acelera o desenvolvimento de
materiais através de esforços em teoria, computação e experimento, de uma maneira altamente integrada de alto
rendimento. A MGI eleva uma meta e um alto nível para o desenvolvimento de materiais e ciência dos materiais para os
seres humanos no futuro. O espírito da MGI é projetar novos materiais usando pools de dados e computação poderosa
uma vez que os requisitos ou aspirações de usos funcionais aparecem. A teoria, a computação e o algoritmo são os
fatores primários e substanciais no estabelecimento e implementação do MGI. Avanços em teorias, cálculos e
experimentos em ciência e engenharia de materiais fornecem a base não apenas para acelerar a velocidade com que
novos materiais são realizados, mas também para encurtar o tempo necessário para empurrar novos produtos para o
mercado. Essas técnicas de IA trazem uma grande promessa ao MGI em desenvolvimento. As aplicações de novas
tecnologias, como ML e DL, aceleram diretamente a pesquisa de materiais e o estabelecimento de MGI. O modelo de
construção e aplicação à ciência e engenharia, bem como à infraestrutura de dados, são de importância central. Quando
as abordagens mgi alimentadas por IA estão associadas à autonomia contínua dos métodos de fabricação, o impacto
potencial para a sociedade e a economia no futuro é profundo. Estamos agora começando a ver que o MGI auxiliado
pela IA, entre outras coisas, integra experimentos, computação e teoria, e facilita o acesso a dados de materiais, equipa a
próxima geração da força de trabalho dos materiais e permite uma mudança de paradigma no desenvolvimento de
materiais. Além disso, o MGI em pó de IA também poderia projetar procedimentos operacionais e controlar os
equipamentos para executar experimentos, e para realizar ainda mais experimentações autônomas em pesquisas
materiais futuras.
Materiais funcionais avançados para atualização de geração de IA

A realização e aplicação de técnicas de IA dependem da capacidadeExibir PDF
computacional e hardware de computador, e isso
baseia a funcionalidade física no desempenho de computadores ou supercomputadores. Para nossa tecnologia atual, as
correntes elétricas ou portadores elétricos para conduzir chips e dispositivos elétricos consistem em elétrons com
características comuns, como massa pesada e baixa mobilidade. Todos os chips e dispositivos emitem níveis de calor
relativamente notáveis, consumindo muita energia e diminuindo a eficiência da transmissão de informações.
Beneficiando-se do rápido desenvolvimento da física moderna,uma série de materiais avançados com efeitos funcionais
exóticos foram descobertos ou projetados, incluindo supercondutores, isoladoresde salão anômio quânticoe férmions
topológicos. Em particular, o estado supercondutor ou elétrons topologicamente não-triviais promoverá as técnicas de
IA de próxima geração assim que as aplicações (próximas) de temperatura ambiente desses estados forem realizadas e
implantadas em circuitos integrados. 81 Neste caso, as unidades centrais de processamento,circuitos de sinal e canais de
energia serão acionados com base nas operadoras eletrônicas que apresentam características de mobilidade sem
energia, sem difusão de energia, ultra-alta ou de proteção quiral. Os elétrons comuns serão removidos dos circuitos
físicos de chips e dispositivos de geração futura, deixando elétrons quirais supercondutores e topológicos rodando em
futuros chips de IA e supercomputadores. A eficiência da transmissão, para informação e computação lógica será
melhorada em larga escala e a um custo muito baixo.
IA para materiais e materiais para IA

A próxima década continuará testemunhando o desenvolvimento de algoritmos avançados de ML, metodologiasde IA
recém-emergentes baseadas em dados e tecnologias integradas para facilitar o design da estrutura e a previsão de
propriedades, bem como acelerar a descoberta, o design, o desenvolvimento e a implantação de materiais avançados nos
setores industriais existentes e emergentes. Neste momento, estamos enfrentando desafios para alcançar pesquisas
aceleradas de materiais através da integração de experimentos, computação e teoria. O grande MGI, proposto para
pesquisa de materiais de alto nível, ajuda a promover esse processo, especialmente quando é assistido por técnicas de
IA. Ainda assim, há um longo caminho a percorrer para que o uso desses materiais funcionais avançados em chips e
dispositivos elétricos de geração futura seja realizado. Mais materiais e efeitos funcionais precisam ser descobertos ou
melhorados pelas técnicas de IA em desenvolvimento. Enquanto isso, vale ressaltar que os materiais são os principais
componentes de dispositivos e chips que são usados para a construção de computadores ou máquinas para sistemas
avançados de IA. O rápido desenvolvimento de novos materiais, especialmente o surgimento de materiais flexíveis,
sensíveis e inteligentes, é de grande importância para uma ampla gama de tecnologias atraentes, como circuitos
flexíveis, sensores táteis elásticos, atuadores multifuncionais, sinapses artificiais baseadas em transistores, redes
integradas de dispositivos semicondutores/quânticos, robótica inteligente,interações homem-máquina, músculos
simulados, biomiméticas próteses, etc. Esses materiais promissores, dispositivos e tecnologias integradas promoverão
muito o avanço dos sistemas de IA em direção a amplas aplicações na vida humana. Uma vez que os circuitos físicos são
atualizados por materiais funcionais ou inteligentes avançados, as técnicas de IA promoverão em grande parte os
desenvolvimentos e aplicações de todas as disciplinas.
IA em geociência
Tecnologias de IA envolvidas em uma grande gama de campos de geociência

Desafios importantes que ameaçam a sociedade atual exigem soluções para problemas que pertencem à geociência,
como avaliar os efeitos das mudanças climáticas, avaliar a qualidade do ar, prever os efeitos das incidências de desastres
na infraestrutura, calcular o consumo e disponibilidade de alimentos, água e recursos do solo, e identificar fatores que
são indicadores de potenciais erupções vulcânicas, tsunamis, inundações, e terremotos.82,83 Tornou-se possível, com o
surgimento de produtos tecnológicos avançados (por exemplo, navios de perfuração em alto mar e satélites de
sensoriamento remoto), para melhorias na infraestrutura computacional que permitem o processamento de simulações
em larga escala de vários modelos em geociência e análise de dados baseada na internet que facilita a coleta,
processamento e armazenamento de dados em ambientes distribuídos e de origem multidiforme.84 A crescente
disponibilidade de dados maciços de geociências fornece possibilidades ilimitadas para a IA — que popularizou todos
os aspectos da nossa vida diária (por exemplo, entretenimento, transporte e comércio) — para contribuir
significativamente para problemas de geociência de grande relevância social. À medida que a geociência entra na era
dos dados maciços, a IA, que tem sido amplamente bem sucedida em diferentes campos, oferece imensas
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
Múltiplos desafios no desenvolvimento da geociência

Existem alguns traços do desenvolvimento da geociência que restringem a aplicabilidade de algoritmos fundamentais
para a descoberta do conhecimento: (1) desafios inerentes aos processos de geociência, (2) limitação da coleta de dados
de geociências e (3) incerteza nas amostras e na verdade do solo. 88, 89, 90 Fronteiras amorfas geralmente existem em
objetos de geociência entre o espaço e o tempo que não são tão bem definidos como objetos em outros campos.
Fenômenos geociências também são significativamente multivariados, obedecem às relações não lineares e exibem
estrutura espacial e características não estacionárias. Com exceção dos desafios inerentes às observações da geociência,
os dados maciços em múltiplas dimensões do tempo e do espaço, com diferentes níveis de incompletude, ruído e
incertezas, perturbam processos em geociência. Para abordagens de aprendizagem supervisionadas, há outras
dificuldades devido à falta de verdade de solo padrão-ouro e ao "pequeno tamanho" das amostras (por exemplo, uma
pequena quantidade de dados históricos com observações suficientes) em aplicações de geociências.
Uso de tecnologias de IA como abordagens eficientes para promover os processos de geociência

Os geocientistas fazem continuamente todos os esforços para desenvolver melhores técnicas para simular o status atual
do sistema terrestre (por exemplo, quanto gases de efeito estufa são liberados na atmosfera), e as conexões entre e
dentro de seus subsistemas (por exemplo, como a temperatura elevada influencia o ecossistema oceânico). Vistas do
ponto de vista da geociência, abordagens recém-emergentes, com o auxílio da IA, são uma combinação perfeita para
essas questões na aplicação da geociência: (1) caracterizar objetos e eventos91; (2) estimar variáveis de geociência a partir
de observações92; (3) prever variáveis de geociência de acordo com observações de longo prazo85; (4) explorando as
relações de dados da geociência93; e (5) descoberta causal e atribuição causal.94 While characterizing geoscience objects
and events using traditional methods are primarily rooted in hand-coded features, algorithms can automatically detect
the data by improving the performance with pattern-mining techniques. However, due to spatiotemporal targets with
vague boundaries and the related uncertainties, it can be necessary to advance pattern-mining methods that can explain
the temporal and spatial characteristics of geoscience data when characterizing different events and objects. To address
the non-stationary issue of geoscience data, AI-aided algorithms have been expanded to integrate the holistic results of
professional predictors and engender robust estimations of climate variables (e.g., humidity and temperature).
Furthermore, forecasting long-term trends of the current situation in the Earth system using AI-enabled technologies
can simulate future scenarios and formulate early resource planning and adaptation policies. Mining geoscience data
relationships can help us seize vital signs of the Earth system and promote our understanding of geoscience
developments. Of great interest is the advancement of AI-decision methodology with uncertain prediction
probabilities, engendering vague risks with poorly resolved tails, signifying the most extreme, transient, and rare events
formulated by model sets, which supports various cases to improve accuracy and effectiveness.
AI technologies for optimizing the resource management in geoscience

Atualmente, a IA pode ter um desempenho melhor do que os humanos em algumas tarefas bem definidas. Por
exemplo, as técnicas de IA têm sido utilizadas no planejamento de recursos hídricos urbanos, principalmente devido à
sua notável capacidade de modelagem, flexibilidade, raciocínio e previsão da demanda e capacidade de água. O projeto e
a aplicação de um sistema de planejamento dinâmico de recursos hídricos inteligentes adaptáveis, o subconjunto de IA
para gestão sustentável de recursos hídricos em regiões urbanas, em grande parte impulsionado pela otimização da
alocação de recursos hídricos, finalmente minimizará os custos de operação e melhorará a sustentabilidade da gestão
ambiental95 (Figura 6). Além disso, a meteorologia requer a coleta de enormes quantidades de dados em muitas
variáveis diferentes, como umidade, altitude e temperatura; no entanto, lidar com um conjunto de dados tão grande é
um grande desafio.96 Uma técnica baseada em IA está sendo utilizada para analisar imagens de recifes em águas rasas,
reconhecer a cor dos corais — para rastrear os efeitos das mudanças climáticas e coletar umidade, temperatura e CO2
dados — para compreender a saúde do nosso ambiente ecológico.97 Além das capacidades da IA para a meteorologia,
também pode desempenhar um papel crítico na diminuição das emissões de gases de efeito estufa originárias do setor
de energia elétrica. Composto por produção, transporte, alocação e consumo de energia elétrica, existem muitas
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
Figura 6. Aplicações de IA na gestão de recursos hidráulicos
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.
IA como um bloco de construção para promover o desenvolvimento em geociência
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.
IA nas ciências da vida

Os desenvolvimentos da IA e das ciências da vida estão entrelaçados. O objetivo final da IA é alcançar a inteligência
humana, já que o cérebro humano é capaz de multitarefa, aprender com supervisão mínima e generalizar habilidades
aprendidas, todas realizadas com alta eficiência e baixo custo energético.107
Inspiração mútua entre IA e neurociência

Nas últimas décadas, conceitos de neurociência foram introduzidos em algoritmos de ML e desempenharam papéis
críticos ao desencadear vários avanços importantes na IA. Por exemplo, as origens dos métodos DL estão diretamente
na neurociência,5 o que estimulou ainda mais o surgimento do campo da RL.108 As CNNs de última geração atuais
incorporam várias marcas da computação neural, incluindo transdução não linear, normalização divisiva e
agrupamento máximo de insumos,109 que foram diretamente inspirados pelo processamento único da entrada visual
no córtex visualmamífero.110 Ao introduzir os mecanismos de atenção do cérebro, uma nova rede tem sido mostrada
para produzir maior precisão e eficiência computacional em tarefas difíceis de reconhecimento multi-objeto do que as
CNNs convencionais.111 Outras descobertas de neurociência, incluindo os mecanismos subjacentes à memória de
trabalho, memória episódicae plasticidade neural,inspiraram o desenvolvimento de algoritmos de IA que abordam
vários desafios em redes profundas.108 Esses algoritmos podem ser diretamente implementados no projeto e
refinamento da interface cérebro-máquina e neuroprostes.
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
IA para análise de big data omics

Atualmente, a IA pode ter um desempenho melhor do que os humanos em algumas tarefas bem definidas, como
análise de dados omics e agricultura inteligente. Na era dos big data,114 existem muitos tipos de dados (variedade), o
volume de dados é grande, e a geração de dados (velocidade) é rápida. A alta variedade, grande volume e velocidade
rápida de dados torna a sua questão de grande valor, mas também dificulta a análise dos dados. Ao contrário dos
métodos tradicionais baseados em estatísticas, a IA pode facilmente lidar com big data e revelar associações ocultas.
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
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 IA torna a agricultura moderna inteligente

A agricultura está entrando em uma quarta revolução, denominada agricultura 4.0 ou agricultura inteligente,
beneficiando-se da chegada da era dos big data, bem como do rápido progresso de muitas tecnologias avançadas, em
particular ml, tecnologias modernas de informação e comunicação.134,135 Aplicações de DL, informações e tecnologias
de sensoriamento na agricultura abrangem todas as etapas da produção agrícola, incluindo reprodução, cultivo e
colheita.
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
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.
Figura 7. Integração da IA e sensoriamento remoto na agricultura inteligente
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.
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
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.
Figura 8. Escala da física
Acelerando simulações e identificações de partículas com IA

Existem muitas aplicações ou explorações de aplicações de IA na física de partículas. Não podemos cobrir todos eles
aqui, mas apenas usar a cromodinâmica quântica de treliça (LQCD) e os experimentos no espectrômetro de Pequim
(BES) e no grande colisor de hádrons (LHC) para ilustrar o poder da ML tanto na física de partículas teóricas quanto
experimentais.
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
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.
A IA torna a física nuclear poderosa

Tomografia de múon de raios cósmicos (Muografia) 155 é uma tecnologia de grafia de imagem usando radiação cósmica
natural de múon em vez de radiação artificial para reduzir os perigos. Como vantagem, essa tecnologia pode detectar
materiais de alto Z sem destruição, já que o múon é sensível a materiais de alto Z. O algoritmo do Algoritmo do Modelo
de Classificação (CMA) baseia-se na classificação na teoria do sistema de aprendizagem supervisionada e cinza, e gera
um classificador binário projetando e função de decisão com a entrada da faixa de múon, e a saída indica se o material
existe no local. A IA ajuda o usuário a melhorar a eficiência do tempo de digitalização com múons.
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.
Física da matéria condensada auxiliada em IA

A IA abre um novo caminho para a ciência física, especialmente quando um conjunto de dados está disponível.
Trabalhos recentes demonstram que a ML fornece insights úteis para melhorar a teoria funcional de densidade (DFT),
na qual a imagem de elétron único do esquema Kohn-Sham tem a dificuldade de cuidar dos efeitos de troca e
correlação de sistemas de muitos corpos. Yu et al. propuseram um algoritmo de otimização bayesiana para se encaixar
no parâmetro Hubbard U, e o novo método pode encontrar o Hubbard U ideal através de um processo auto-consistente
com boa eficiência em comparação com o método de resposta linear,157e aumentar a precisão para o nível quase
híbrido-funcional. Snyder et al. desenvolveram uma densidade ML funcional para um sistema de férmion não-
polarizado não-spin-polarizado 1D para obter uma energia cinética significativamente melhorada. Este método
permitiu uma aproximação direta da energia cinética de um sistema quântico e pode ser utilizado em modelagem DFT
livre de orbital, e pode até mesmo contornar a resolução da equação de Kohn-Sham — mantendo a precisão ao nível
químico quântico quando um termo de correlação forte é incluído. Recentemente, FermiNet mostrou que as equações
de mecânica quântica de muitos corpos podem ser resolvidas via IA. Os modelos de IA também mostram vantagens de
capturar o campo de força interatom. Em 2010, o potencial de aproximação gaussiana (GAP)158 foi introduzido como
um poderoso campo de força interatômica para descrever as interações entre átomos. Gap usa regressão de kernel e
representações invariantes de muitos corpos, e tem um desempenho muito bom. Por exemplo, pode simular a
cristalização de cristais amorfos sob alta pressão com bastante precisão. Empregando a sobreposição suave do kernel de
posição atômica (SOAP),159 a precisão do potencial pode ser ainda maior e, portanto, o SOAP-GAP pode ser visto como
um método líder de campo para simulação dinâmica molecular de IA. Há também vários outros potenciais
interatômicos de IA bem desenvolvidos por aí, por exemplo, as CNNs de gráfico de cristal fornecem uma maneira
amplamente aplicável de vetorizar materiais cristalinos; A SchNet incorpora as camadas convolucionais de filtro
contínuo em seus DNNs para facilitar a dinâmica molecular, pois os potenciais são contínuos no espaço; O DimeNet
constrói a mensagem direcional passando a rede neural adicionando não apenas o comprimento da ligação entre
átomos, mas também o ângulo de ligação,o ângulo dihedral e as interações entre átomos não ligados ao modelo para
obter uma boa precisão.
IA ajuda a explorar o Universo

A IA é uma das mais novas tecnologias, enquanto a astronomia éExibir
uma PDF
das ciências mais antigas. Quando os dois se
encontram, novas oportunidades para avanços científicos são frequentemente desencadeadas. Observações e análises de
dados desempenham um papel central na astronomia. A quantidade de dados coletados por telescópios modernos
atingiu níveis sem precedentes, mesmo a tarefa mais básica de construir um catálogo tornou-se desafiadora com
ferramentas tradicionais de busca de origem.160 Os astrônomos desenvolveram ferramentas automatizadas e
inteligentes de localização de fontes baseadas em DL, que não só oferecem vantagens significativas na velocidade
operacional, mas também facilitam uma compreensão abrangente do Universo, identificando formas particulares de
objetos que não podem ser detectados por software e inspeção visual tradicionais.160,161
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
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 IA quebra as limitações dos métodos manuais de seleção de recursos

Em química analítica, a extração de informações tradicionalmente se baseia fortemente nas técnicas de seleção de
características, que são baseadas em experiências humanas anteriores. Infelizmente, essa abordagem é ineficiente,
incompleta e muitas vezes tendenciosa. A análise automatizada de dados baseada em IA quebrará as limitações dos
métodos manuais de seleção de variáveis, aprendendo com grandes quantidades de dados. A seleção de recursos por
meio de algoritmos DL permite a extração de informações a partir dos conjuntos de dados em NMR, cromatografia,
espectroscopiae outras ferramentas analíticas,169 melhorando assim a precisão da previsão do modelo para análise.
Essas abordagens de ML acelerarão muito a análise de materiais, levando à rápida descoberta de novas moléculas ou
materiais. A dispersão de Raman,por exemplo, desde sua descoberta na década de 1920, tem sido amplamente utilizada
como uma poderosa tecnologia de espectroscopia vibracional, capaz de fornecer impressões digitais vibracionais
intrínsecas aos analitos, permitindo assim a identificação de moléculas.170 Recentemente, os métodos ML foram
treinados para reconhecer características em espectros Raman (ou SERS) para a identidade de um analito, aplicando
redes DL, incluindo ANN, CNN,e rede totalmente convolucional para engenharia de recursos.171 Por exemplo, Leong et
al. projetaram um "provador SERS" orientado para aprendizado de máquina para simultaneamente aproveitar
informações vibracionais úteis de múltiplos receptores para o aprimoramento do perfil multiplex de cinco moléculas
de sabor de vinho nos níveis ppm. A análise de componentes principais é utilizada para a discriminação de álcoois com
diferentes graus de substituição, e apoiada com análise discriminante damáquina vetorial, é usada para classificar
quantitativamente todos os sabores com 100% de precisão.172 No geral, as técnicas de IA fornecem o primeiro
vislumbre de esperança para um método universal de análise de dados espectrais, que é rápido, preciso, objetivo e
definitivo e com vantagens atraentes em uma ampla gama de aplicações.
A IA melhora a precisão e eficiência para vários níveis da teoria computacional

Complementar às ferramentas analíticas, a química computacional provou ser uma abordagem poderosa para o uso de
simulações para entender propriedades químicas; no entanto, ele se depara com um dilema de precisão versus
eficiência. Esse dilema limita muito a aplicação da química computacional a problemas de química do mundo real. Para
superar esse dilema, ml e outros métodos de IA estão sendo aplicados para melhorar a precisão e eficiência para vários
níveis de teoria usados para descrever os efeitos decorrentes em diferentes escalas de tempo e comprimento, no multi-
escalonamento de reações químicas.173 Muitos dos desafios abertos na química computacional podem ser resolvidos
por abordagens ml, por exemplo, resolvendo a equação de Schrödinger,174 desenvolvendo atomística175 ou granulação
grosseira176 potenciais, construção de coordenadas de reação,177 desenvolvendo modelos de cinética dereação,178 e
identificação de descritores-chave para propriedades computáveis.179 Além da química analítica e química
computacional, várias disciplinas de química incorporaram a tecnologia de IA a problemas químicos. Discutimos as
áreas de química orgânica, catálise e química médica como exemplos de onde a ML tem feito um impacto significativo.
Muitos exemplos existem na literatura para outros subcampos da química e a IA continuará a demonstrar avanços em
uma ampla gama de aplicações químicas.
A IA permite a robótica capaz de automatizar a síntese de moléculas

A química orgânica estuda a estrutura, a propriedade e a reação de moléculas baseadas em carbono. A complexidade do
espaço químico e de reação, para uma determinada propriedade, apresenta um número ilimitado de moléculas
potenciais que podem ser sintetizadas pelos químicos. Outras complicações são adicionadas quando confrontadas com
os problemas de como sintetizar uma determinada molécula, uma vez que o processo depende muito de heurística e
testes trabalhosos. Desafios foram enfrentados por pesquisadores que utilizam IA. Dado dados suficientes, qualquer
propriedade de interesse de uma molécula pode ser prevista mapeando a estrutura molecular para a propriedade
correspondente usando aprendizado supervisionado, sem recorrer às leis físicas. Além das moléculas conhecidas, novas
moléculas podem ser projetadas pela amostragem do espaço químico180 utilizando métodos, como autoencocotadors e
CNNs, com as moléculas codificadas como sequências ou gráficos. Retrossíntese, o planejamento de rotas sintéticas,
que antes era considerada uma arte, tornou-se agora muito mais simples com a ajuda de algoritmos ML. O sistema
Chemetica,181 por exemplo, agora é capaz de um planejamento autônomo de rotas sintéticas que são posteriormente
comprovadas para funcionar em laboratório. Uma vez determinadas as moléculas-alvo e a rota da síntese, condições
adequadas de reação podem ser previstas ou otimizadas usando técnicas de ML.182
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
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
A IA ajuda a pesquisar através de vastos espaços de design de catalisadores

A química catalítica é originária de tecnologias catalisadoras na indústria química para produção eficiente e sustentável
de produtos químicos e combustíveis. Até agora, ainda é um esforço desafiador fazer novos catalisadores heterogêneos
com bom desempenho (ou seja, estável, ativo e seletivo) porque o desempenho de um catalisador depende de muitas
propriedades: composição, suporte, terminação superficial, tamanho de partículas, morfologia de partículas,ambiente
de coordenação atômica, estrutura porosa e reator durante a reação. A complexidade inerente da catálise torna a
descoberta e o desenvolvimento de catalisadores com propriedades desejadas mais dependentes da intuição e do
experimento, o que é caro e demorado. Tecnologias de IA, como a ML, quando combinadas com a triagem experimental
e em sílico de alto rendimento de bibliotecas catalisadores combinatórias, podem ajudar a descoberta de catalisadores,
ajudando a pesquisar através de vastos espaços de design. Com uma estrutura bem definida e dados padronizados,
incluindo resultados de reação e resultados de caracterização in situ, a complexa associação entre estrutura catalítica e
desempenho catalítico será revelada pela IA.185,186 Um descritor preciso do efeito de moléculas, estados de agregação
molecular e transporte molecular, em catalisadores, também poderia ser previsto. Com essa abordagem, os
pesquisadores podem construir laboratórios virtuais para desenvolver novos catalisadores e processos catalíticos.
IA permite triagem de produtos químicos em toxicologia com preocupações éticas mínimas

Um subcampo mais complicado da química é a química médica, que é um campo desafiador devido às interações
complexas entre as substâncias exóticas e a química inerente dentro de um sistema vivo. A toxicologia, por exemplo,
como um campo amplo, busca prever e eliminar substâncias (por exemplo, farmacêuticas, produtos naturais, produtos
alimentícios e substâncias ambientais), que podem causar danos a um organismo vivo. Organismos vivos já são
complexos, quase qualquer substância conhecida pode causar toxicidade em uma exposição alta o suficiente devido à
complexidade já inerente dentro de organismos vivos. Além disso, a toxicidade depende de uma série de outros fatores,
incluindo tamanho do organismo, espécie, idade, sexo, genética, dieta, combinação com outros produtos químicos,
saúde geral e/ou contexto ambiental. Dada a escala e a complexidade dos problemas de toxicidade, é provável que a 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.,
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.
Recommended articles Citing articles (0)
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
3 G.E. Hinton, S. Osindero, Y.-W. Rio Teh

Um algoritmo de aprendizagem rápida redes de crenças profundas
Neural Comput., 18 (2006), pp. 1527-1554
View PDF CrossRef Ver registro em Scopus Google Scholar
4 G.E. Hinton
Reduzindo a dimensionalidade dos dados com redes neurais
Science, 313 (2006), pp. 504-507
5 Y. Lecun, Y. Bengio, G. Hinton

Aprendizado profundo
Nature, 521 (2015), pp. 436-444
6 P.M. Nadkarni, L. Ohno-Machado, W. Chapman

Processamento de Linguagem Natural: Uma Introdução, 18, Journal of the American Medical Informatics
Association Jamia (2011), pp. 544-551
View PDF CrossRef Ver registro em Scopus
7 S. Ji, S. Pan, E. Cambria, et al.

Um levantamento sobre gráficos de conhecimento: representação, aquisição e aplicações
IEEE Trans. Redes Neurais aprendem. Syst. (2021), pp. 1-21
8 G.I. Parisi, R. Kemker, J.L. Part, et al.

Aprendizado contínuo ao longo da vida com redes neurais: Uma Revisão, 113, Redes Neurais (2019), pp. 54-71
Artigo Baixe PDF Ver registro em Scopus
9 M. Abadi, P. Barham, J. Chen, et al.

Tensorflow: um sistema para aprendizado de máquina em larga escala
12º Simpósio USENIX sobre Design e Implementação de Sistemas Operacionais (OSDI 16) (2016),
10.1109/TNNLS.2021.3070843 Exibir PDF
Google Scholar
10 A. Paszke, S. Gross, F. Massa, et al. Baixe a edição completa

Pytorch: um estilo imperativo, biblioteca de ensino profundo de alto desempenho
Adv. Neural Inf. Process. Syst., 32 (2019), pp. 8026-8037
Ver registro em Scopus Google Scholar
11 C.R. Harris, K.J. Millman, S.J. van der Walt, et al.

Programação de matriz com NumPy
Nature, 585 (2020), pp. 357-362
12 Y. Chen, T. Chen, Z. Xu, et al.

Família DianNao: aceleradores de hardware eficientes em energia para aprendizado de máquina
Comuna. ACM, 59 (2016), pp. 105-112
13 K.O. Stanley
Redes neurais em evolução através do aumento de topologias
O Evol. Comput., 10 (2002), pp. 99-127
14 B. Zoph
Pesquisa de arquitetura neural com aprendizado de reforço
Ciência do Meio Ambiente Total (2016))
Google Scholar
15 E. Real, S. Moore, A. Selle, et al.

Evolução em larga escala dos classificadores de imagem
Conferência Internacional de Machine Learning, PMLR (2017), pp. 2902-2911
16 M. Tan
Efficientnet: repensando o dimensionamento de modelos para redes neurais convolucionais
Conferência Internacional de Machine Learning, PMLR (2019), pp. 6105-6114
17 Q. Wang, J. Liu, K. Jaffrès-Runser, et al.

INCdeep: codificação inteligente de rede com aprendizado de reforço profundo
IEEE INFOCOM 2021-IEEE Conference on Computer Communications, IEEE (2021)
Google Scholar
18 J. Wang, J. Tang, Z. Xu, et al.

Modelagem e previsão espacial em redes celulares: um big data possibilitou abordagem de deep learning
IEEE INFOCOM 2017-IEEE Conference on Computer Communications, IEEE (2017)
Google Scholar
19 J. Liu, Q. Wang, C. Ele, et al.

QMR: Q-learning baseado em protocolo de roteamento de otimização multi-objetivo para redes ad hoc voadoras
Computação. Commun., 150 (2020), pp. 304-316
Artigo Baixe PDF CrossRef Ver registro em Scopus Google Scholar
20 N. Yu, P. Genevet, M.A. Kats, et al.

Propagação de luz com descontinuidades de fase: leis generalizadas de reflexão e refração
Science, 334 (2011), pp. 333-337

Exibir PDF
21 F. Dong
Informações multicanais independentes codificam metasuperfícies ópticas
Adv. Mater., 31 (2019), p. 1804921 Baixe a edição completa
22 Z. Xuan, J. Li, Q. Liu, et al.

Cores e aplicações estruturais artificiais
Inovação, 2 (2019), p. 100081
Google Scholar
23 X. Lin, Y. Rivenson, N.T. Yardimci, et al.

Aprendizado de máquina ail-óptico usando redes neurais profundas difrativas
Science, 361 (2018), pp. 1004-1008
24 I. Sajedian, J. Kim, J.J.M. Rho, nanoengenharia

Encontrar as propriedades ópticas das estruturas plasmônicas por processamento de imagem usando uma
combinação de redes neurais convolucionais e redes neurais recorrentes
Microsyst. Nanoeng., 5 (2019), p. 27
View PDF Ver registro em Scopus Google Scholar
25 Então, T. Badloe, J. Noh, et al.

O aprendizado profundo possibilitou o design inverso em nanofotônica
Nanofotônica, 9 (2020), pp. 1041-1057
26 S. An, B. Zheng, H. Tang, et al.

Design de metasuperfície multifuncional com uma rede contraditória geradora
Adv. Opt. Mater., 9 (2021), p. 2001433
27 I. Sajedian, T. Badloe, J.J. Rho

Otimização da geração de cores a partir de nanoestruturas dielétricas usando aprendizado de reforço
Opt. Express, 27 (2019), pp. 5874-5883
28 C. Qian, B. Zheng, Y. Shen, et al.

Capa de micro-ondas auto-adaptativa habilitada para aprendizagem profunda sem intervenção humana
Nat. Photon., 14 (2020), pp. 383-390
29 A. John-Herpin, D. Kavungal, L. von Mücke, H.J. Altug

Metasuperfície infravermelha aumentada pelo aprendizado profundo para monitorar dinâmicas entre todas as
principais classes de biomoléculas
Adv. Mater., 33 (2021), p. 2006054
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
31 F. Wang, Y. Xu, L. Zhu, et al.
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
32 T. Cover
Classificação de padrão do vizinho mais próximo
IEEE Trans. Inf. Theory, 13 (1967), pp. 21-27
33 C. Cortes
Redes vetoriais de suporte
Mach. Learn., 20 (1995), pp. 273-297
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
36 V. Mnih, K. Kavukcuoglu, D. Silver, et al.

Jogando atari com aprendizado de reforço profundo
arXiv (2013)
1312.5602
Google Scholar
37 I. Goodfellow, J. Pouget-Abadie, M. Mirza, et al.

Redes contraditórias generativas
Processo Adv. Neural Inf. Syst., 27 (2014), pp. 2672-2680
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
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
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
44 I.J. Goodfellow, O. Vinyals, A.M. Saxe

Qualitatively characterizing neural network optimization problems
arXiv (2014)
1412.6544
Google Scholar
45 R. Sun, D. Li, S. Liang, et al.

The global landscape of neural networks: an overview
IEEE Signal. Process. Mag., 37 (2020), pp. 95-108
46 Y. Cui, Z. He, J.-S. Pang

MultiComposite nonconvex optimization for training deep neural networks
SIAM J. Optimization, 30 (2020), pp. 1693-1723
47 W. Liu, X. Liu, X. Chen

Linearly-constrained nonsmooth optimization for training autoencoders
arXiv (2021)
2103.16232
Google Scholar
48 V.N. Vapnik, A.Y. Chervonenkis

On the uniform convergence of relative frequencies of events to their probabilities
Measures of Complexity, Springer (2015), pp. 11-30
49 N. Srivastava, G. Hinton, A. Krizhevsky, et al.

Dropout: a simple way to prevent neural networks from overfitting
J. Mach. Learn. Res., 15 (2014), pp. 1929-1958
View PDF 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
51 I.S. Chua, M. Gaziel-Yablowitz, Z.T. Korach, et al.

Artificial intelligence in oncology: path to implementation
Cancer Med., 10 (2021), pp. 4138-4149
52 J. Ginsberg, M.H. Mohebbi, R.S. Patel, et al.

Detecting influenza epidemics using search engine query data
Nature, 457 (2009), pp. 1012-1014

Exibir PDF
53 L. Wu, L. Wang, N. Li, et al.

Modeling the COVID-19 outbreak in China through Baixemulti-source information fusion
a edição completa
Innovation, 1 (2020), p. 100033, 10.1016/j.xinn.2020.100033
Article Download PDF View Record in Scopus Google Scholar
54 Y. Huang, Q. Wu, P. Wang, et al.

Measures undertaken in China to avoid COVID-19 infection: internet-based, cross-sectional survey study
J. Med. Internet Res., 22 (2020), p. e18718
55 B. Shen, X. Yi, Y. Sun, et al.

Proteomic and metabolomic characterization of COVID-19 patient sera
Cell, 182 (2020), pp. 59-72. e15
56 D. Taliaz, A. Spinrad, R. Barzilay, et al.

Optimizing prediction of response to antidepressant medications using machine learning and integrated
genetic, clinical, and demographic data
Transl. psychiatry, 11 (2021), p. 381
57 J. Liu, T. Lichtenberg, K.A. Hoadley, et al.

An integrated TCGA pan-cancer clinical data resource to drive high-quality survival outcome analytics
Cell, 173 (2018), pp. 400-416. e411
58 K. Freeman, J. Dinnes, N. Chuchu, et al.

Algorithm based smartphone apps to assess risk of skin cancer in adults: systematic review of diagnostic
accuracy studies
BMJ, 368 (2020), p. m127
59 M. AlQuraishi
AlphaFold at CASP13
Bioinformatics, 35 (2019), pp. 4862-4865
60 A. Zhavoronkov, Y.A. Ivanenkov, A. Aliper, et al.

Deep learning enables rapid identification of potent DDR1 kinase inhibitors
Nat. Biotechnol., 37 (2019), pp. 1038-1040
61 B.H. T Thompson, J.D. Woodruff, H.J. Davis, et al.

Cytopathology, histopathology, and colposcopy in the management of cervical neoplasia
Am. J. Obstet. Gynecol., 114 (1972), pp. 329-333
Google Scholar
62 H. Bao, X. Sun, Y. Zhang, et al.

The artificial intelligence-assisted cytology diagnostic system in large-scale cervical cancer screening: a
population-based cohort study of 0.7 million women
Cancer Med., 9 (2020), pp. 6896-6906
63 Q. Wang, L. Zhang, Z. Yan, et al.

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
64 J. Wei, X. Chu, X.Y. Sun, et al. Baixe a edição completa

Machine learning in materials science
InfoMat, 1 (2019), pp. 338-358
65 P. Friederich, A. Fediai, S. Kaiser, et al.

Toward design of novel materials for organic electronics
Adv. Mater., 31 (2019), p. 1808256
66 A. Mahmood, J.-L. Wang

Machine learning for high performance organic solar cells: current scenario and future prospects
Energy Environ. Sci., 14 (2021), pp. 90-105
67 R. Yuan, Z. Liu, P.V. Balachandran, et al.

Accelerated discovery of large electrostrains in BaTiO3-based piezoelectrics using active learning
Adv. Mater., 30 (2018), p. 1702884
68 S. Lu, Q. Zhou, Y. Ouyang, et al.

Accelerated discovery of stable lead-free hybrid organic-inorganic perovskites via machine learning
Nat. Commun., 9 (2018), p. 3405
69 L. Paterson, F. May, D. Andrienko

Computer aided design of stable and efficient OLEDs
J. Appl. Phys., 128 (2020), p. 160901
70 P. Gorai, V. Stevanović, E.S. Toberer

Computationally guided discovery of thermoelectric materials
Nat. Rev. Mater., 2 (2017), p. 17053
71 R.L. Greenaway, K.E. Jelfs

Integrating computational and experimental workflows for accelerated organic materials discovery
Adv. Mater., 33 (2021), p. 2004831
72 R. Pollice, G. dos Passos Gomes, M. Aldeghi, et al.

Data-driven strategies for accelerated materials design
Acc. Chem. Res., 54 (2021), pp. 849-860
73 P.M. Tagade, S.P. Adiga, S. Pandian, et al.

Attribute driven inverse materials design using deep learning Bayesian framework
npj Comput. Mater., 5 (2019), p. 127
74 J.-P. Correa-Baena, K. Hippalgaonkar, J. van Duren, et al.

Accelerating materials development via automation, machine learning, and high-performance computing
Joule, 2 (2018), pp. 1410-1420

Exibir PDF
75 T. Zhang, Y. Jiang, Z. Song, et al.
Catalogue of topological electronic materials
Nature, 566 (2019), pp. 475-479 Baixe a edição completa
76 M. Vergniory, L. Elcoro, C. Felser, et al.

A complete catalogue of high-quality topological materials
Nature, 566 (2019), pp. 480-485
77 F. Tang, H.C. Po, A. Vishwanath, X. Wan

Comprehensive search for topological materials using symmetry indicators
Nature, 566 (2019), pp. 486-489
78 X.-Q. Chen, J. Liu, J. Li

Topological phononic materials: computation and data
79 https://atomly.net/
80 Y. Liang, M. Chen, Y. Wang, et al.

A universal model for the formation energy prediction of inorganic compounds
arXiv (2021)
2108.00349
Google Scholar
81 C.-Z. Chang, W. Zhao, D.Y. Kim, et al.

Zero-field dissipationless chiral edge transport and the nature of dissipation in the quantum anomalous Hall
state
Phys. Rev. Lett., 115 (2015), p. 057206
82 R.W. Kates, W.C. Clark, R. Corell, et al.

Sustainability science
Science, 292 (2001), pp. 641-642
83 F. Press
Earth science and society
Nature, 451 (2008), pp. 301-303
84 X. Zhang, N. Chen, Z. Chen, et al.

Geospatial sensor web: a cyber-physical infrastructure for geoscience research and application
Earth Sci. Rev., 185 (2018), pp. 684-703
85 A. Karpatne, I. Ebert-Uphoff, S. Ravela, et al.

Machine learning for the geosciences: challenges and opportunities
IEEE Trans. Knowledge Data Eng., 31 (2018), pp. 1544-1554
Google Scholar
86 D.J. Lary, A.H. Alavi, A.H. Gandomi, A.L. Walker
Machine learning in geosciences and remote sensing

Geosci. Front., 7 (2016), pp. 3-10 Exibir PDF
87 P. Imperatore, D. Riccio Baixe a edição completa

Geoscience and Remote Sensing: New Achievements
BoD–Books on Demand (2010)
Google Scholar
88 V. Cnudde, M.N. Boone

High-resolution X-ray computed tomography in geosciences: a review of the current technology and
applications
Earth Sci. Rev., 123 (2013), pp. 1-17
89 S. Lee, J. Suh, Y. Choi

Review of smartphone applications for geoscience: current status, limitations, and future perspectives
Earth Sci. Inform., 11 (2018), pp. 463-486
90 B.A. Toms, E.A. Barnes, I. Ebert-Uphoff

Physically interpretable neural networks for the geosciences: applications to earth system variability
J. Adv. Model. Earth Syst., 12 (2020)
e2019MS002002
Google Scholar
91 D.B. Chelton, M.G. Schlax, R.M. Samelson, R.A. de Szoeke

Global observations of large oceanic eddies
Geophys. Res. Lett., 34 (2007), 10.1029/2007GL030812
Google Scholar
92 M. Sambridge
Reconstructing time series and their uncertainty from observations with universal noise
J. Geophys. Res. Solid Earth, 121 (2016), pp. 4990-5012
93 Q. Qiu, Z. Xie, L. Wu, W. Li

Geoscience keyphrase extraction algorithm using enhanced word embedding
Expert Syst. Appl., 125 (2019), pp. 157-169
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
95 X. Xiang, Q. Li, S. Khan, O.I. Khalaf

Urban water resource management for sustainable environment planning using artificial intelligence
techniques
Environ. Impact Assess. Rev., 86 (2021), p. 106515
96 B. Knüsel, M. Zumwald, C. Baumberger, et al.

Applying big data beyond small problems in climate research
Nat. Clim. Change, 9 (2019), pp. 196-202
97 S. Salcedo-Sanz, L. Cuadra, M.J. Vermeij

A review of computational intelligence techniques in coral reef-related
Exibir PDF applications
Ecol. Inform., 32 (2016), pp. 107-123
98 D. Rolnick, P.L. Donti, L.H. Kaack, et al.
Tackling climate change with machine learning
arXiv (2019)
1906.05433
Google Scholar
99 M. Hengstler, E. Enkel, S. Duelli

Applied artificial intelligence and trust—the case of autonomous vehicles and medical assistance devices
Technol. Forecast. Soc. Change, 105 (2016), pp. 105-120
100 P. Dhar
The carbon impact of artificial intelligence
Nat. Mach. Intell., 2 (2020), pp. 423-425
101 Lawrence Livermore National Laboratory

Charting the Complex Relationships Among Energy, Water, and Carbon
https://www.llnl.gov/news/us-energy-use-rises-highest-level-ever (2018)
Google Scholar
102 B. Hanna, T.C. Son, N. Dinh

AI-guided reasoning-based operator support system for the nuclear power plant management
Ann. Nucl. Energy, 154 (2021), p. 108079
103 J. Chang, S.-Y. Jia

Modeling and application of wind-solar energy hybrid power generation system based on multi-agent
technology
2009 International Conference on Machine Learning and Cybernetics, 3, IEEE (2009), pp. 1754-1758
104 J. Bughin, E. Hazan, S. Ramaswamy, et al.

Artificial intelligence: the next digital frontier?
Information Security and Communications Privacy (2017)
Google Scholar
105 J. Wei, S. Sanborn, A. Slaughter

Digital Innovation. Creating the Utility of the Future
https://www2.deloitte.com/us/en/insights/industry/power-and-utilities/digital-transformation-utility-of-the-
future.html (2019)
Google Scholar
106 W. Steffen, K. Richardson, J. Rockström, et al.

The emergence and evolution of earth system science
Nat. Rev. Earth Environ., 1 (2020), pp. 54-63
107 M.-M. Poo

Towards brain-inspired artificial intelligence
Natl. Sci. Rev., 5 (2018), p. 785
D. Hassabis, D. Kumaran, C. Summerfield, M. Botvinick

108
Neuroscience-inspired artificial intelligence Exibir PDF
Neuron, 95 (2017), pp. 245-258
109 D.L. Yamins, J.J. DiCarlo
Using goal-driven deep learning models to understand sensory cortex
Nat. Neurosci., 19 (2016), pp. 356-365
110 D.H. Hubel, T.N. Wiesel

Receptive fields, binocular interaction and functional architecture in the cat's visual cortex
J. Physiol., 160 (1962), pp. 106-154
111 J. Ba, V. Mnih, K. Kavukcuoglu

Multiple object recognition with visual attention
arXiv (2014)
1412.7755
Google Scholar
112 J.P. O'Doherty, P. Dayan, K. Friston, et al.

Temporal difference models and reward-related learning in the human brain
Neuron, 38 (2003), pp. 329-337
113 M.-m. Poo, J.-l. Du, N.Y. Ip, et al.

China brain project: basic neuroscience, brain diseases, and brain-inspired computing
Neuron, 92 (2016), pp. 591-596
114 T. Huang, L. Lan, X. Fang, et al.

Promises and challenges of big data computing in health sciences
Big Data Res., 2 (2015), pp. 2-11
115 G. Eraslan, Ž. Avsec, J. Gagneur, F.J. Theis

Deep learning: new computational modelling techniques for genomics
Nat. Rev. Genet., 20 (2019), pp. 389-403
116 A. Telenti, C. Lippert, P.-C. Chang, M. DePristo

Deep learning of genomic variation and regulatory network data
Hum. Mol. Genet., 27 (2018), pp. R63-R71
117 P.C. Ng, S. Henikoff

SIFT: predicting amino acid changes that affect protein function
Nucleic Acids Res., 31 (2003), pp. 3812-3814
118 T. Huang, C. Wang, G. Zhang, et al.

SySAP: a system-level predictor of deleterious single amino acid polymorphisms
Protein Cell, 3 (2012), pp. 38-43
119 L. Sundaram, H. Gao, S.R. Padigepati, et al.
Predicting the clinical impact of human mutation with deep neural networks
Nat. Genet., 50 (2018), pp. 1161-1170 Exibir PDF
120 S. Zhang, X. Pan, T. Zeng, et al. Baixe a edição completa

Copy number variation pattern for discriminating MACROD2 states of colorectal cancer subtypes
Front. Bioeng. Biotechnol., 7 (2019), p. 407
Article Download PDF CrossRef View Record in Scopus Google Scholar
121 X. Pan, X. Hu, Y.-H. Zhang, et al.

Identification of the copy number variant biomarkers for breast cancer subtypes
Mol. Genet. Genomics, 294 (2019), pp. 95-110
122 J.T. Glessner, X. Hou, C. Zhong, et al.

DeepCNV: a deep learning approach for authenticating copy number variations
Brief. Bioinform., 22 (2021), p. bbaa381
123 C. Gu, X. Shi, C. Dai, et al.

RNA m6A modification in cancers: molecular mechanisms and potential clinical applications
124 L. Zhang, G. Li, X. Li, et al.

EDLm6APred: ensemble deep learning approach for mRNA m6A site prediction
BMC Bioinformatics, 22 (2021), p. 288
125 C. Angermueller, H.J. Lee, W. Reik, O. Stegle

DeepCpG: accurate prediction of single-cell DNA methylation states using deep learning
Genome Biol., 18 (2017), p. 67
126 M. Kim, A. Eetemadi, I. Tagkopoulos

DeepPep: deep proteome inference from peptide profiles
PLoS Comput. Biol., 13 (2017), p. e1005661
127 A. Lal, Z.D. Chiang, N. Yakovenko, et al.

Deep learning-based enhancement of epigenomics data with AtacWorks
Nat. Commun., 12 (2021), p. 1507
128 J.-W. Sidhom, H.B. Larman, D.M. Pardoll, A.S. Baras

DeepTCR is a deep learning framework for revealing sequence concepts within T-cell repertoires
Nat. Commun., 12 (2021), p. 1605
129 C. Arisdakessian, O. Poirion, B. Yunits, et al.

DeepImpute: an accurate, fast, and scalable deep neural network method to impute single-cell RNA-seq data
Genome Biol., 20 (2019), p. 211
130 N.J. Bernstein, N.L. Fong, I. Lam, et al.

Solo: doublet identification in single-cell RNA-Seq via semi-supervised deep learning
Cell Syst., 11 (2020), pp. 95-101. e105

Exibir PDF
131 G.H.T. Yeo, S.D. Saksena, D.K. Gifford
Generative modeling of single-cell time series with PRESCIENT enables prediction of cell trajectories with
interventions Baixe a edição completa
Nat. Commun., 12 (2021), p. 3222
132 K. Tunyasuvunakool, J. Adler, Z. Wu, et al.

Highly accurate protein structure prediction for the human proteome
Nature, 596 (2021), pp. 590-596
133 Y. Jun, H. Songnian

On the ultimate finishing line of the Human Genome Project
Google Scholar
134 A. Walter, R. Finger, R. Huber, N. Buchmann

Opinion: smart farming is key to developing sustainable agriculture
Proc. Natl. Acad. Sci. U S A, 114 (2017), pp. 6148-6150
135 Q. Yuan, H. Shen, T. Li, et al.

Deep learning in environmental remote sensing: achievements and challenges
Remote Sensing Environ., 241 (2020), p. 111716
136 H. Wang, E. Cimen, N. Singh, E. Buckler

Deep learning for plant genomics and crop improvement
Curr. Opin. Plant Biol., 54 (2020), pp. 34-41
137 A.A. Golicz, P.L. Bhalla, M.B. Singh

MCRiceRepGP: a framework for the identification of genes associated with sexual reproduction in rice
Plant J., 96 (2018), pp. 188-202
138 S. Chachar, J. Liu, P. Zhang, et al.

Harnessing current knowledge of DNA N6-methyladenosine from model plants for non-model crops
Front. Genet., 12 (2021), 10.3389/fgene.2021.668317
Google Scholar
139 O.A. Montesinos-López, A. Montesinos-López, J. Crossa, et al.

Multi-trait, multi-environment deep learning modeling for genomic-enabled prediction of plant traits
G3 (Bethesda), 8 (2018), pp. 3829-3840
140 O.A. Montesinos-López, J. Martín-Vallejo, J. Crossa, et al.

New deep learning genomic-based prediction model for multiple traits with binary, ordinal, and continuous
phenotypes
G3 (Bethesda), 9 (2019), pp. 1545-1556
141 C. Atzberger
Advances in remote sensing of agriculture: context description, existing operational monitoring systems and
major information needs
Remote Sensing, 5 (2013), pp. 949-981

Exibir PDF
142 D.J. Mulla

Twenty five years of remote sensing in precisionBaixe
agriculture:
a ediçãokey advances and remaining knowledge gaps
completa
Biosyst. Eng., 114 (2013), pp. 358-371
143 M. Reichstein, G. Camps-Valls, B. Stevens, et al.

Deep learning and process understanding for data-driven Earth system science
Nature, 566 (2019), pp. 195-204
144 Q. Zhang, Y. Liu, C. Gong, et al.

Applications of deep learning for dense scenes analysis in agriculture: a review
Sensors, 20 (2020), p. 1520
145 M. Afonso, H. Fonteijn, F.S. Fiorentin, et al.

Tomato fruit detection and counting in greenhouses using deep learning
Front. Plant Sci., 11 (2020), p. 1759
Google Scholar
146 W. Wu, T. Liu, P. Zhou, et al.

Image analysis-based recognition and quantification of grain number per panicle in rice
Plant Methods, 15 (2019), p. 122
147 M.H. Saleem, J. Potgieter, K.M. Arif

Plant disease detection and classification by deep learning
Plants, 8 (2019), p. 468
148 S. Foreman, X.-Y. Jin, J.C. Osborn

Deep learning Hamiltonian Monte Carlo
arXiv (2021)
2105.03418
Google Scholar
149 G. Kanwar, M.S. Albergo, D. Boyda, et al.

Equivariant flow-based sampling for lattice gauge theory
Phys. Rev. Lett., 125 (2020), p. 121601
150 W. Detmold, G. Kanwar, H. Lamm, et al.

Path integral contour deformations for observables in S U (N) gauge theory
Phys. Rev. D, 103 (2021), p. 094517
151 R. Zhang, Z. Fan, R. Li, et al.

Machine-learning prediction for quasiparton distribution function matrix elements
Phys. Rev. D, 101 (2020), p. 034516
152 L.-L. Wang, S.-P. Wen, L.-H. Wu, et al.

Particle identification using artificial neural networks at BES
Chin. Phys. C, 32 (2008), 10.1088/1674-1137/32/1/001
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
154 S.L. Wu, S. Sun, W. Guan, et al.

Application of quantum machine learning using the quantum kernel algorithm on high energy physics analysis
at the LHC
Phys. Rev. Res., 3 (2021), p. 033221, 10.1103/PhysRevResearch.3.033221
155 Y. Nomura, M. Nemoto, N. Hayashi, et al.

Pilot study of eruption forecasting with muography using convolutional neural network
Sci. Rep., 10 (2020), p. 5272
156 F.L. Ruta, S. Swider, S. Lam, R.S. Feigelson

Understanding phase equilibria and segregation in Bridgman growth of Cs2LiYCl6 scintillator
J. Mater. Res., 32 (2017), pp. 2373-2380
157 M. Yu, S. Yang, C. Wu, N. Marom

Machine learning the Hubbard U parameter in DFT+ U using Bayesian optimization
npj Comput. Mater., 6 (2020), p. 180
158 A.P. Bartók, M.C. Payne, R. Kondor, G. Csányi

Gaussian approximation potentials: the accuracy of quantum mechanics, without the electrons
Phys. Rev. Lett., 104 (2010), p. 136403
159 A.P. Bartók, R. Kondor, G. Csányi

On representing chemical environments
Phys. Rev. B, 87 (2013), p. 184115
160 B. Lao, T. An, A. Wang, et al.

Artificial intelligence for celestial object census: the latest technology meets the oldest science
Sci. Bull., 66 (2021), pp. 2145-2147
Article Download PDF Google Scholar
161 C. Wu, O.I. Wong, L. Rudnick, et al.

Radio Galaxy Zoo: CLARAN–a deep learning classifier for radio morphologies
Mon. Not. R. Astron. Soc., 482 (2019), pp. 1211-1230
162 M.J. Raddick, G. Bracey, P.L. Gay, et al.

Galaxy zoo: exploring the motivations of citizen science volunteers
Astron. Educ. Rev., 9 (2010)
010103
Google Scholar
163 D. George, E. Huerta

Deep neural networks to enable real-time multimessenger astrophysics
Phys. Rev. D, 97 (2018), p. 044039

Exibir PDF
164 T.L. Brown, H.E. LeMay, B.E. Bursten, L.S. Brunauer
Chemistry: The Central Science
(Thirteenth Edition), Prentice Hall (1997) Baixe a edição completa
Google Scholar
165 CAS Registry

https://www.cas.org/cas-data/cas-registry (2021)
166 E.J. Llanos, W. Leal, D.H. Luu, et al.

Exploration of the chemical space and its three historical regimes
Proc. Natl. Acad. Sci. U. U S A, 116 (2019), pp. 12660-12665
167 Capítulo 14 o espaço de reação

R. Carlson (Ed.), Tratamento de Dados em Ciência e Tecnologia, Elsevier (1992), pp. 331-336, 10.1016/S0922-
3487(08)70261-2
Google Scholar
168 P.W. Anderson

Mais é diferente
Ciência, 177 (1972), pp. 393-396
View PDF CrossRef Google Scholar
169 L.B. Ayres, F.J. Gomez, J.R. Linton, et al.

Dando o salto entre química analítica e inteligência artificial: uma revisão tutorial
Anal. Chim. Acta, 1161 (2021), p. 338403
Artigo Baixe PDF Ver registro em Scopus Google Scholar
170 S. Cong, X. Liu, Y. Jiang, et al.

Dispersão de Raman aprimorada de superfície revelada por transições interfaciais de transferência de carga
Inovação, 1 (2020), p. 100051, 10.1016/j.xinn.2020.100051
Artigo Baixe PDF Ver registro em Scopus Google Scholar
171 S. Weng, H. Yuan, X. Zhang, et al.

Redes de aprendizagem profunda para o reconhecimento e quantitação da espectroscopia raman melhorada pela
superfície
Analista, 145 (2020), pp. 4827-4835
172 Y.X. Leong, Y.H. Lee, C.S.L. Koh, et al.

Degustador raman aprimorado para superfície (SERS): uma plataforma multirreceptora orientada para
aprendizado de máquina para perfis multiplex de sabores de vinho
Nano Lett., 21 (2021), pp. 2642-2649
173 J. Westermayr, M. Gastegger, K.T. Schütt, R.J. Maurer

Perspectiva de integração do aprendizado de máquina na química computacional e ciência dos materiais
J. Chem. Phys., 154 (2021), p. 230903
174 J. Hermann, Z. Schätzle, F. Noé

Solução de rede neural profunda da equação eletrônica de Schrödinger
Nat. Chem., 12 (2020), pp. 891-897
175 O.T. Unke, S. Chmiela, H.E. Sauceda, et al.

Campos de força de aprendizagem de máquina Exibir PDF
Chem. Rev., 121 (2021), pp. 10142-10186
176 J. Wang, S. Olsson, C. Wehmeyer, et al.
Aprendizado de máquina de campos de força de dinâmica molecular de grãos grosseiros
ACS Cent. Sci., 5 (2019), pp. 755-767
177 P. Tavadze, G. Avendaño Franco, P. Ren, et al.

A machine-driven hunt for global reaction coordinates of azobenzene photoisomerization
J. Am. Chem. Soc., 140 (2018), pp. 285-290
178 M. Staszak
Artificial intelligence in the modeling of chemical reactions kinetics
Theoretical and Computational Chemistry, De Gruyter (2021), pp. 159-180
179 C.W. Coley, W. Jin, L. Rogers, et al.

A graph-convolutional neural network model for the prediction of chemical reactivity
Chem. Sci., 10 (2019), pp. 370-377
180 O.A. von Lilienfeld, K.-R. Müller, A. Tkatchenko

Exploring chemical compound space with quantum-based machine learning
Nat. Rev. Chem., 4 (2020), pp. 347-358
181 B.A. Grzybowski, S. Szymkuć, E.P. Gajewska, et al.

Chematica: a story of computer code that started to think like a chemist
Chem, 4 (2018), pp. 390-398
182 H. Gao, T.J. Struble, C.W. Coley, et al.

Using machine learning to predict suitable conditions for organic reactions
ACS Cent. Sci., 4 (2018), pp. 1465-1476
183 C.W. Coley, D.A. Thomas, J.A. Lummiss, et al.

Uma plataforma robótica para síntese de fluxo de compostos orgânicos informada pelo planejamento da IA
Ciência, 365 (2019), p. eaax1566
184 S. Steiner, J. Wolf, S. Glatzel, et al.

Síntese orgânica em um sistema robótico modular impulsionado por uma linguagem de programação química
Ciência, 363 (2019), p. eaav2211
185 B. Burger, P.M. Maffettone, V.V. Gusev, et al.

Um químico robótico móvel
Natureza, 583 (2020), pp. 237-241
186 T. Williams, K. McCullough, J.A. Lauterbach
Permitindo a descoberta de catalisadores através de aprendizado de máquina e experimentação de alto

rendimento Exibir PDF
Chem. Mater., 32 (2019), pp. 157-165
187 M.W. Wang, J.M. Goodman, T.E. Allen
Aprendizado de máquina em toxicologia preditiva: aplicações recentes e direções futuras para modelos de
classificação
Chem. Res. Toxicol., 34 (2020), pp. 217-239
188 C. Szegedy, W. Zaremba, I. Sutskever, et al.

Propriedades intrigantes das redes neurais
arXiv (2013)
1312.6199
Google Scholar
42
Esses autores contribuíram igualmente
© 2021 O Autor(s).
© de direitos autorais 2022 A Elsevier B.V. ou seus licenciadores ou colaboradores.

ScienceDirect ® is a registered trademark of Elsevier B.V.

Artificial Intelligence - A Powerful Paradigm For Scientific Research - ScienceDirect

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Artificial Intelligence - A Powerful Paradigm For Scientific Research - ScienceDirect

Enviado por

Direitos autorais:

Formatos disponíveis

05/01/2022 Artificial intelligence: A powerful paradigm for scientific research - ScienceDirect

Baixe a edição completa

Inteligência artiﬁcial: Um poderoso paradigma para a pesquisa cientíﬁca

Outline Compartilhar Citar

https://doi.org/10.1016/j.xinn.2021.100179 Obtenha direitos e conteúdos

• "A IA pode fazer pesquisas fundamentais?" A IA juntamente com técnicas de

• "Como a IA acelera pesquisas fundamentais?" Novas pesquisas e aplicativos estão

Artigo anterior Próximo

O quadro geral da IA é ilustrado na Figura 1. O processo de desenvolvimento da IA inclui inteligência perceptiva,

Figura 1. O quadro geral da IA

Baixe a edição completa

Figura 2. O gráﬁco de conhecimento da estrutura de IA

A estrutura de IA fornece ferramentas básicas para a implementação de algoritmos de IA

A IA que permite o design de rede adaptável a condições complexas de rede

IA permitindo nanofotônicas mais poderosas e inteligentes

investigados em profundidade. Prevemos com otimismo que os avanços em algoritmos DL e infraestruturas de

A interpretação das redes neurais

Os problemas de otimização da estimativa dos parâmetros

A capacidade de generalização dos modelos de aprendizagem

Figura 4. IA em ciências médicas

Médico de IA com base em prontuários eletrônicos

IA para saúde pública: Detecção de surtos e código QR de saúde para COVID-19

Descoberta de biomarcadores com IA

IA médica baseada em imagem

Dispositivos vestíveis para vigilância e aviso antecipado

Descoberta de drogas auxiliadas em IA

Como a IA transforma a prática médica: Um estudo de caso do câncer do colo do útero

IA em ciência dos materiais

Figura 5. Espera-se que a IA impulsione o desenvolvimento da ciência dos materiais

IA na descoberta e design de novos materiais

Iniciativa genoma de materiais movidos a IA

Materiais funcionais avançados para atualização de geração de IA

IA para materiais e materiais para IA

Tecnologias de IA envolvidas em uma grande gama de campos de geociência

Múltiplos desaﬁos no desenvolvimento da geociência

Uso de tecnologias de IA como abordagens eﬁcientes para promover os processos de geociência

AI technologies for optimizing the resource management in geoscience

Figura 6. Aplicações de IA na gestão de recursos hidráulicos

IA como um bloco de construção para promover o desenvolvimento em geociência

IA nas ciências da vida

Inspiração mútua entre IA e neurociência

IA para análise de big data omics

A IA torna a agricultura moderna inteligente

Figura 7. Integração da IA e sensoriamento remoto na agricultura inteligente

Figura 8. Escala da física

Acelerando simulações e identiﬁcações de partículas com IA

A IA torna a física nuclear poderosa

Física da matéria condensada auxiliada em IA

IA ajuda a explorar o Universo

A IA quebra as limitações dos métodos manuais de seleção de recursos

A IA melhora a precisão e eﬁciência para vários níveis da teoria computacional

A IA permite a robótica capaz de automatizar a síntese de moléculas

Baixe a edição completa

A IA ajuda a pesquisar através de vastos espaços de design de catalisadores

IA permite triagem de produtos químicos em toxicologia com preocupações éticas mínimas

Recommended articles Citing articles (0)

3 G.E. Hinton, S. Osindero, Y.-W. Rio Teh

5 Y. Lecun, Y. Bengio, G. Hinton

6 P.M. Nadkarni, L. Ohno-Machado, W. Chapman

7 S. Ji, S. Pan, E. Cambria, et al.

8 G.I. Parisi, R. Kemker, J.L. Part, et al.

9 M. Abadi, P. Barham, J. Chen, et al.

10 A. Paszke, S. Gross, F. Massa, et al. Baixe a edição completa