AI for science如何驱动科学发现和技术创新 | YEF2024

全冬晖

之江实验室高级研究专家、研究员

国家人才计划获得者，长期从事天体物理与天体化学方向的科学研究，专注于星际分子的理论研究，针对复杂多样的天文系统，建立了多个基于化学反应动力学的反应网络模型，研究涉及约百分之九十已被探测到的星际分子或离子，揭示了这些分子或离子的形成以及消耗机理，工作在世界范围内受到广泛认可。

王笑楠

清华大学化工系长聘副教授、特别研究员

新加坡国立大学荣誉教授，新一代人工智能国家科技重大专项首席科学家、项目负责人，美国化学工程师学会 (AIChE) 可持续发展领域主席。国家高层次青年人才计划入选者。带领团队从事化学材料AI基础模型赋能碳中和的研究。在Nature Machine Intelligence、Nature Synthesis、Nature Reviews系列期刊发表学术论文150余篇，包括12篇ESI高被引论文，被引7500余次，H index 48。担任Applied Energy等十本国际期刊副主编和编委，获美国化学会可持续化学与工程讲席奖、Cell Press中国女科学家奖、侯德榜化工科学技术奖“青年奖”，福布斯中国科技女性50，新加坡杰出青年首席研究员奖、英国皇家学会国际交流奖等奖项。入选全球学者终身学术影响力榜，连续三年被Elsevier评为全球前2% 顶尖科学家。

谢昌谕

浙江大学药学院教授、求是工程教授

加拿大渥太华大学获得物理博士学位,多伦多大学与麻省理工进行理论化学的博士后。2018年加入腾讯量子实验室，从事量子计算和AI for Science的前沿计算技术研究与落地探索。2022年加入浙大药学院，从事前沿计算技术在药物研发的应用研究和理论与算法开发。以一作或通讯身份在国际高水平期刊与会议上发表100余篇SCI 论文，获得第24届中国专利奖-银奖。

报告题目：药物研发中的人工智能

摘要：

近年来，人工智能助力药物发现展现了巨大的潜力，并广泛受到了学术界和工业界的关注。当前热门的 AI 药物研发算法大多源于自然语言、图像识别以及相关的经典深度学习的应用场景，但由于化学与生物医药领域的数据有着自己的独特性，这些深度学习模型往往面临着过拟合或泛化能力差等挑战。通过AI药物算法研发相关的例子(如分子属性、结合自由能预测、分子生成)，我们将探讨如何有效的结合物理、化学、生物医药等领域知识以及前沿的机器学习算法，促使模型提供更可靠的预测。

王佳玮

之江实验室天文计算研究中心工程专家、特聘副研究员

中国科学技术大学管理科学与工程博士，香港城市大学信息系统专业博士，之江实验室工程专家。当前研究方向为图神经网络和因果推断。在国际期刊及会议发表论文4篇，授权国家专利5项。作为骨干成员参加国家重点研发计划1项，国家重点实验室项目1项，之江实验室自设项目1项。曾为阿里云城市大脑团队核心算法专家，负责杭州城市大脑交通小脑算法在主城区从0到1落地，基于此孵化的产品在全国20多个城市落地应用。

报告题目：深度学习算法在天体化学反应网络拓展中的探索和应用

摘要：

天体演化分析是指通过物种时变还原天区物理环境演化路径和预测新物种，完整和准确的天体化学反应网络是演化推理的关键基础。但受限于天体化学实验的难度和高昂成本，现有天体化学反应网络拓展难度大。本研究采用数据驱动方法，调研现代深度学习技术，基于Transformer框架和Graph编码器，首次提出天体化学反应网络拓展的整体算法框架，并在Chemiverse真实数据集上实现评测。

周浩

清华大学智能产业研究院副研究员

主要研究方向是面向复杂材料的生成式人工智能，应用包括文本生成、小分子设计、蛋白质设计等。曾任字节跳动人工智能实验室文本生成中台负责人和AI辅助药物设计团队负责人。曾十余次担任ICML、NeurIPS，ICLR等国际会议的领域主席，在包括ACL，EMNLP，NeurIPS，ICML和ICLR等相关会议上发表论文80余篇，曾获2019中国人工智能学会优秀博士论文, 2021计算语言学年会(ACL)最佳论文，2022国际文本生成大会(INLG)最佳短论文和计算机学会NLPCC青年新锐科学家。

报告题目：面向科学发现的生成式人工智能方法

摘要：

生成式人工智能技术在自然语言生成、图像生成上已显示出其巨大价值。然而不同于文本和视觉数据，科学领域常见的分子数据具有其特异性的模态和数据分布，直接应用文本和视觉中常用的模型和方法未必能取得最佳效果。本报告将介绍我们针对分子数据设计的生成式建模方法，并通过在分子构象生成，蛋白质对接，分子生成等应用中体现其优越性。

陈立朋

之江实验室新材料计算研究中心研究专家

洪堡学者，长期从事材料电子结构及其动态特性的计算模拟，近年来在变分波函数、量子主方程、随机薛定谔方程、非绝热动力学、非线性和单分子光谱等前沿问题上取得了一些原创性的成果，在Chem. Rev, Sci. Adv, PNAS, Phys. Rev. Lett等学术期刊发表论文60余篇。

报告题目：机器学习在量子动力学和光谱模拟中的应用

摘要：

光谱技术提供了探测各种分子体系中化学反应过程的理想工具。不断增加的揭示化学反应机理的实验数据需要我们发展准确的理论方法从而可以解释分子体系光谱信号及其对应的结构变化背后的核和电子动力学过程。本报告将介绍如何将机器学习算法用于加速非绝热动力学和光谱的快速模拟。

陈云天

宁波东方理工大学助理教授

兼任上海交通大学计算机系博导。研究方向为科学机器学习，主要关注于物理驱动与数据驱动的融合以及AI挖掘物理规律。博士毕业于北京大学工学院，并获优秀毕业生荣誉。鹏城实验室博士后。发表论文30余篇，获授权发明专利19项，主持国家自然科学基金等课题10项，累计经费1500余万元。获得中国精品期刊顶尖论文奖、中国“互联网+”大学生创新创业大赛金奖等荣誉。入选中国力学学会青年人才蓄水池计划和甬江人才工程。

报告题目：力学模型中的知识发现与嵌入

摘要：

科学研究的使命是理解和探索世界，以及根据经验和知识改造世界。其中知识嵌入和知识发现是融合知识和数据的两种重要方法。知识嵌入可以打破知识和数据之间的障碍，从而建立具有物理常识的机器学习模型。人类对世界的理解总是有限的，而知识发现可以利用机器学习从观测中抽提出新知识。知识发现不仅可以帮助研究人员更好地掌握物理学的本质，同时也能对知识嵌入的研究提供有利的支持。通过将知识嵌入和知识发现相结合，可以形成知识生成和使用的闭环，从而提高模型的鲁棒性和准确性，发现未知的科学原理。本报告将讨论目前知识嵌入和知识发现领域的一些进展，以及在力学和能源等领域的潜在发展机遇。