Using Artificial Intelligence to aid Scientific Discovery of Climate Tipping Points
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Johns Hopkins University(约翰斯·霍普金斯大学);Duke University(杜克大学)
我们提出了一种混合人工智能(AI)气候建模方法,使气候建模者在科学发现中使用基于深度神经网络和数学方法建模动态系统的新组合的气候目标模拟方法。模拟是以神经符号语言为基础的,既能对人工智能方法学到的东西进行问答,又能提供一种可解释的手段。我们描述了如何将这种方法应用于发现气候临界点,特别是大西洋经向翻转环流(AMOC)的崩溃。我们展示了这种方法是如何能够预测AMOC崩溃的高度准确性,使用海洋相互作用的替代气候模型。我们还展示了神经符号方法性能的初步结果之间的自然语言的问题和象征性的学习表示翻译。我们的人工智能方法显示了有希望的早期结果,可能使更快的气候临界点相关研究成为可能,否则计算是不可行的。
2023-02-14 cs.AI cs.CE
Uncertainty Quantification for Physics-Informed Neural Networks with Extended Fiducial Inference
本文提出基于扩展置信推断的新方法,利用窄瓶颈超网络为物理信息神经网络提供严格不确定性量化,克服贝叶斯和dropout方法局限,仅凭观测数据构建诚实置信集,提升可靠性、可解释性并扩展至大规模模型。
2025-10-16 cs.LG stat.ML
Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification
Johns Hopkins University(约翰斯·霍普金斯大学);Brno University of Technology(布尔诺理工大学)
本文提出物理约束多项式混沌展开代理模型,通过融合PDE、边界条件、不等式及先验信息,统一支持SciML与UQ,并在多类物理系统中验证有效性。
2024-05-11 cs.LG physics.data-an stat.ML
From Kepler to Newton: Explainable AI for Science
Rutgers University(罗格斯大学)
科学研究的观察-假设-预测-实验循环范式是科学家们多年来为科学发现而实践的范式。然而,随着大规模和毫规模科学研究中的数据爆炸,有时很难手动分析数据并提出新的假设来推动科学发现的周期。在本文中,我们讨论了可解释的人工智能在科学发现过程中的作用,通过展示一个可解释的人工智能为基础的科学发现范式。关键是使用可解释的人工智能来帮助获得数据或模型解释,假设以及科学发现或见解。我们展示了如何计算和数据密集型的方法-连同实验和理论方法-可以无缝集成的科学研究。为了展示基于人工智能的科学发现过程,并向人类历史上一些最伟大的思想致敬,我们展示了开普勒的行星运动定律和牛顿的万有引力定律如何通过基于第谷布拉赫天文观测数据的(可解释的)人工智能重新发现,第谷布拉赫的作品在16- 17世纪引领了科学革命。这项工作还强调了可解释人工智能(与黑盒人工智能相比)在科学发现中的重要作用,以帮助人类预防或更好地为未来可能发生的技术奇点做好准备,因为科学不仅是关于如何,而且知道为什么。工作介绍可在https://slideslive.com/38986142/from-kepler-to-newton-explainable-ai-for-science-discovery上查阅。
2023-01-23 cs.AI cs.LG cs.SC
Leveraging viscous Hamilton-Jacobi PDEs for uncertainty quantification in scientific machine learning
Brown University(布朗大学);Naval Air Warfare Center Weapons Division(海军空战中心武器分部);Pacific Northwest National Laboratory(太平洋西北国家实验室)
该研究建立了SciML中贝叶斯推理问题与粘性HJ PDE的理论联系,提出基于Riccati的UQ方法,可高效更新模型且无需重训旧数据,适用于实时推理和动态学习场景。
2024-04-12 cs.LG stat.ML
A Robust Scientific Machine Learning for Optimization: A Novel Robustness Theorem
University of Porto(波尔图大学);Universidade Federal da Bahia(巴伊亚联邦大学)
科学机器学习(SciML)是一个在几个不同应用领域越来越受关注的领域。在优化上下文中,基于SciML的工具使得能够开发更有效的最优化方法。然而,实施SciML工具进行优化必须严格评估和谨慎执行。这项工作提出了一个鲁棒性测试,保证多目标SciML为基础的优化的鲁棒性,通过显示其结果尊重通用逼近定理的推导。该测试是适用于一种新的方法,这是在一系列的基准说明其一致性进行评估的框架。此外,所提出的方法的结果进行了比较与可行域的严格优化,这需要一个显着更高的计算工作量。因此,这项工作提供了一种鲁棒性测试,以保证在多目标优化中应用SciML工具时的鲁棒性,并且计算量比现有替代方案更低。
2022-09-13 cs.LG math.OC stat.ME
Instrumented data for causal scientific machine learning
University of the Witwatersrand(威特沃特斯兰德大学)
提出仪器化数据作为观测数据和模板合成数据之外的第三种选择,每个数据点携带产生它的机制模型、显式不确定性及可执行的反事实族,通过V&V仪器化图像到模拟管道实现,支持因果干预。
2026-06-05 cs.AI cs.LG physics.comp-ph
Multimodal Scientific Learning Beyond Diffusions and Flows
Graduate Group in Applied Mathematics and Computational Science(应用数学与计算科学联合研究生组);Department of Computer and Information Science(计算机与信息科学系);Department of Mechanical Engineering and Applied Mechanics(机械工程与应用力学系)
本文提出混合密度网络作为多模态科学学习中更高效、更稳定的替代方法,实现对科学问题中多模态不确定性的有效建模与解决。
2026-02-01 cs.AI cs.CE cs.LG
Calibrating Scientific Foundation Models with Inference-Time Stochastic Attention
University of Houston(休斯顿大学)
本文提出通过推理时的随机注意力机制提升科学基础模型的校准能力,通过单参数控制生成预测集,实现高效后处理调优,实验显示其在天气预测和时间序列预测中表现优异,校准效果优于现有方法。
2026-11-10 cs.CE cs.LG stat.ML
Flow Learners for PDEs: Toward a Physics-to-Physics Paradigm for Scientific Computing
The University of Alabama(阿拉巴马大学);University of Pittsburgh(匹兹堡大学)
本文提出流学习器(flow learners)范式,通过参数化传输向量场并积分生成轨迹,将PDE求解从状态预测转向物理上允许的未来传输建模,实现连续时间预测、不确定性量化及物理感知求解器设计。
2026-06-02 cs.LG
BayesEvolve: Explicit Belief States for Autonomous Scientific Discovery
Pfizer(辉瑞公司);Independent Researcher(独立研究员);University of California San Diego(加州大学圣地亚哥分校);Institute of Humanities and Social Science Data, Fudan University(复旦大学人文社会科学数据研究院)
提出BayesEvolve框架,通过显式不确定性感知信念状态指导实验,在BBOB黑箱优化任务上比记忆引导基线更高效。
2026-06-29 cs.AI
Evidential Physics-Informed Neural Networks for Scientific Discovery
Gryphon Center for A.I. and Theoretical Sciences(人工智能与理论科学研究中心);University of Pennsylvania, Perelman School of Medicine(宾夕法尼亚大学佩雷尔曼医学院)
E-PINN通过证据深度学习的边际分布损失函数提升不确定性估计,有效应用于PDE求解和医学数据集分析。
2025-12-07 cs.LG physics.comp-ph
EAIRA: Establishing a Methodology for Evaluating AI Models as Scientific Research Assistants
Argonne National Laboratory(阿贡国家实验室);The University of Chicago(芝加哥大学);University of Pennsylvania(宾夕法尼亚大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);The Ohio State University(俄亥俄州立大学);Rochester Institute of Technology(罗切斯特理工学院);Massachusetts Institute of Technology(麻省理工学院)
本文提出EAIRA方法论,通过四类评估(多项选择、开放式回答、实验室和现场实验)全面评估LLM作为科研助手的能力,确保其适应性和可推广性。
2025-02-27 cs.AI
scicode-lint: Detecting Methodology Bugs in Scientific Python Code with LLM-Generated Patterns
Authentic Research Partners, Princeton, NJ(真实研究伙伴,新泽西州普林斯顿)
提出scicode-lint,通过两级架构(构建时使用前沿模型生成模式,运行时使用小型本地模型执行)自动检测科学Python代码中的方法论错误,如数据泄露、交叉验证错误和缺失随机种子。
2026-06-01 cs.AI cs.LG cs.SE
Scientific Logicality Enriched Methodology for LLM Reasoning: A Practice in Physics
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences, Beijing, China;Beijing Wenge Technology Co., Ltd, Beijing, China;School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China
本文提出了一种增强科学逻辑性的方法论,旨在提升LLM在科学推理中的逻辑正确性与任务表现,通过物理学中的多样逻辑结构和形式化进行实践验证。
2026-05-16 cs.AI
UnScientify: Detecting Scientific Uncertainty in Scholarly Full Text
Université de Franche-Comté(弗朗什-孔泰大学);Institut Universitaire de France (IUF)(法国大学研究院(IUF))
UnScientify是一个交互式系统,采用弱监督和细粒度标注方案,结合模式匹配等方法,自动检测学术全文中的科学不确定性,并提供可解释结果以支持多种文本处理应用。
2023-07-26 cs.AI cs.CL cs.DL
Annotating Scientific Uncertainty: A comprehensive model using linguistic patterns and comparison with existing approaches
Université Marie et Louis Pasteur(路易·巴斯德大学);Institut Universitaire de France (IUF)(法国大学研究院)
本文提出 UnScientify 系统,通过弱监督、跨度模式匹配、复杂句分析和作者引用核查检测学术文本中的科学不确定性,准确率达 0.808,优于大语言模型,证明传统规则方法在该任务中仍具优势。
2025-03-14 cs.AI cs.CL cs.DL
MIR: Methodology Inspiration Retrieval for Scientific Research Problems
TCS Research(塔塔咨询服务公司研究院);Yale University(耶鲁大学)
本文定义了方法论启发检索(MIR)任务,构建了专用数据集与方法论邻接图(MAG),通过将直觉先验嵌入密集检索器并适配LLM重排序策略,显著提升了检索性能,推动了自动化科学发现。
2025-05-30 cs.AI cs.CL
PiFlow: Principle-Aware Scientific Discovery with Multi-Agent Collaboration
Westlake University(西湖大学)
PiFlow通过多智能体协作和原则引导,提升科学发现效率和质量,实现高效且稳健的AI驱动研究。
2026-02-09 cs.AI cs.LG
SciFig: Towards Automating Editable Figure Generation for Scientific Papers
Johns Hopkins University(约翰霍普金斯大学);Zhejiang University(浙江大学);Independant Researcher(独立研究者);Tsinghua University(清华大学);University of Central Florida(佛罗里达中央大学);City University of Hong Kong(香港城市大学);Adobe Research(Adobe研究)
提出SciFig多智能体框架,从科学文本自动生成可编辑的高质量方法图,通过分解规划、布局、渲染和迭代优化,在435个基准上优于基线,平均10分钟生成可编辑图形。
2026-06-29 cs.AI
Empirical evaluation of Uncertainty Quantification in Retrieval-Augmented Language Models for Science
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本研究实证评估了检索增强语言模型在科学任务中的不确定性量化,发现模型过度自信,且科学知识无法缓解此问题。
2023-11-15 cs.AI cs.CL
A Bayesian Methodology for Estimating Uncertainty of Decisions in Safety-Critical Systems
University of Luton(卢顿大学);University of Exeter(埃克塞特大学)
在安全关键工程应用中,决策的不确定性可以基于对决策模型进行平均的贝叶斯马尔可夫链蒙特卡罗(MCMC)技术来估计。使用决策树(DT)模型帮助专家解释因果关系,并找到不确定性的因素。贝叶斯平均也允许专家准确地估计不确定性时,先验信息的青睐结构的DT是可用的。然后,专家可以选择单个DT模型,通常是最大后验模型,用于解释目的。不幸的是,一个先验的信息,有利于结构的DT并不总是可用的。出于这个原因,我们提出了一个新的先验DT的贝叶斯MCMC技术。我们还提出了一个新的程序选择一个单一的DT和描述一个应用场景。在我们的短期冲突警报数据的实验中,我们的技术优于现有的贝叶斯技术在选定的单个DT的预测精度。
2010-12-01 cs.AI
Uncertainty-Aware Web-Conditioned Scientific Fact-Checking
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出一种基于原子谓词-论元分解和校准的不确定性和网络验证方法,通过嵌入对齐局部片段,使用紧凑的证据基础检查器验证事实,并仅在不确定支持的事实触发领域受限的网络搜索。系统支持二元和三元分类,优于现有基准。
2026-04-13 cs.AI cs.CL
A Decision-driven Methodology for Designing Uncertainty-aware AI Self-Assessment
The Johns Hopkins University Applied Physics Laboratory(约翰霍普金斯大学应用物理实验室);Software Engineering Institute(软件工程研究所);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种决策驱动的AI自评估设计方法,通过分类不确定性估计技术并考虑其对下游决策成本与收益的影响,为从业者提供选择合适自评估工具的实用指导。
2024-08-02 cs.AI cs.LG stat.ML
Evaluating Uncertainty Quantification approaches for Neural PDEs in scientific applications
University of Illinois(伊利诺伊大学);Columbia University(哥伦比亚大学)
该研究针对科学应用中的正、反问题,评估了贝叶斯方法与深度集成等不确定性量化方法在神经偏微分方程中的表现,发现贝叶斯方法可能低估真实不确定性。
2023-11-08 cs.AI cs.LG physics.comp-ph
Dealing with uncertainty in fuzzy inductive reasoning methodology
U.P.I.I.C.S.A.
本研究的目的是在模糊归纳推理(FIR)方法的背景下,开发一种不确定性策略下的推理。FIR算法是由G.克利尔它是一种基于系统行为而不是结构知识的数据驱动方法。它是一个非常有用的工具,为那些系统的建模和预测,没有以前的结构知识。FIR推理基于从可用数据合成的模式规则。模式规则库的大小可能非常大,使得预测过程相当困难。为了减少模式规则库的大小,可以从模式规则集开始自动提取经典Sugeno模糊规则。Sugeno规则库尽可能多地保留模式规则知识。在这个过程中,一些信息丢失,但鲁棒性大大增加。在预测过程中,可以使用模式规则库或Sugeno模糊规则库。当计算资源使得有可能处理整个模式规则库或当提取的模糊规则由于与原始数据相关联的不确定性而不够准确时,第一选项是期望的。在第二种选择中,预测过程是通过经典的Sugeno推理系统来完成的。如果与数据相关的不确定性很小,则使用Sugeno模糊规则库获得的预测将非常准确。本文提出了一种混合模式/模糊规则的策略来处理不确定性的方式,最好的两个角度。通过所谓的误差模型来识别数据空间中具有较高不确定性的区域。在这些领域的预测过程中,利用混合模式/模糊规则计划,而确定的不确定性较低的地区只使用Sugeno模糊规则库。所提出的策略被应用到一个真正的生物医学系统,即,控制心血管系统的中枢神经系统。
2012-10-19 cs.AI
A Hybrid AI Methodology for Generating Ontologies of Research Topics from Scientific Paper Corpora
University of Cagliari(卡利阿里大学);The Open University(开放大学);University of Milano Bicocca(米兰-比科卡大学)
本文提出Sci-OG半自动化方法论,通过主题发现、关系分类和本体构建生成研究主题本体,在21,649个三元组数据集上取得F1分数0.951,优于SciBERT和GPT4-mini等基线,并成功应用于扩展CSO网络安全本体。
2025-08-06 cs.AI cs.DL cs.IR
Scaling up Psychology via Scientific Regret Minimization: A Case Study in Moral Decisions
Princeton University(普林斯顿大学)
大型数据集对心理学家有价值吗?如果没有一个系统的方法来处理这些数据集,有一个合理的担心,分析将产生噪声伪影,而不是真正的效果。在本文中,我们提供了一种方法,使研究人员能够系统地构建模型并在大型数据集中识别新现象。一种传统的方法是分析模型的残差--它们在预测数据时所犯的最大错误--以发现这些模型可能遗漏了什么。然而,一旦数据集足够大,机器学习算法就会比数据更接近真实的底层函数,这表明这些数据驱动模型的预测应该用来指导模型构建。我们称这种方法为“科学遗憾最小化”(SRM),因为它专注于最大限度地减少我们知道应该可以预测的情况下的错误。我们在道德机器数据集的一个子集上展示了这种方法,这是一个大约4000万个道德决策的公共集合。使用SRM,我们发现,纳入一组道义原则,捕捉尺寸沿代理组可以改变(如性别和年龄),提高了人类道德判断的计算模型。此外,我们能够识别并独立验证三个有趣的道德现象:犯罪非人化,责任年龄和不对称的责任概念。
2020-01-09 cs.AI cs.CY cs.LG
Exact Reasoning Under Uncertainty
Stanford University(斯坦福大学)
本文的重点是设计专家系统,以支持决策在复杂的,不确定的环境。在这种情况下,我们的研究表明,严格的概率表示,使决策理论推理的使用,是非常可取的,最近提出的替代方案(例如,模糊集理论和Dempster-Shafer理论)。此外,我们还讨论了语言的影响图和相应的方法-决策分析-使决策理论被有效地和高效地用作决策辅助。最后,我们使用RACHEL,一个系统,帮助不孕夫妇选择医疗,说明决策分析的方法,作为专家决策系统的基础。
2013-03-27 cs.AI
Sentiment analysis and random forest to classify LLM versus human source applied to Scientific Texts
CICEI - IUCES, ULPGC(CICEI - IUCES,大加那利岛拉斯帕尔马斯大学)
针对AI生成文本泛滥带来的学术造假等问题,本研究提出以情感分析提取特征、训练随机森林模型来区分科学文本的人类或大语言模型来源,实验验证了该方法的应用潜力。
2024-04-05 cs.AI cs.CL cs.CY
Uncertainty-Informed Volume Visualization using Implicit Neural Representation
IIT Kanpur(印度理工学院坎普尔分校);Oak Ridge National Lab.(橡树岭国家实验室);University of Utah(犹他大学)
针对深度神经网络缺乏预测不确定性估计能力的问题,本研究提出不确定性感知隐式神经表示建模标量场,评估两种深度不确定性估计技术,验证其能生成有价值的体可视化结果并提升模型可信度。
2024-08-12 cs.AI cs.CV cs.GR
InsightGUIDE: An Opinionated AI Assistant for Guided Critical Reading of Scientific Literature
Information Management Systems Institute(信息管理系统研究所);ATHENA Research Centre(ATHENA研究中心);Department of Informatics and Telecommunications(信息与电信系);University of the Peloponnese(希腊皮埃里亚大学)
InsightGUIDE通过嵌入专家阅读方法,提供结构化简洁见解,作为阅读助手而非替代品,比通用LLM更具条理和可操作性。
2025-09-24 cs.AI cs.CL cs.DL
SAIH: A Scalable Evaluation Methodology for Understanding AI Performance Trend on HPC Systems
Sun Yat-sen University(中山大学)
新的人工智能(AI)技术加速了各种科学研究,例如,宇宙学、物理学和生物信息学,不可避免地成为高性能计算(HPC)系统上的重要工作负载类别。现有的人工智能基准测试倾向于定制公认的人工智能应用程序,以便根据数据集和人工智能模型来评估HPC系统在预定义问题大小下的人工智能性能。由于问题规模缺乏可扩展性,静态AI基准可能无法帮助理解HPC系统上不断发展的AI应用程序的性能趋势,特别是大规模系统上的科学AI应用程序。在本文中,我们提出了一种可扩展的评估方法(SAIH),用于分析HPC系统的AI性能趋势,并扩展定制AI应用程序的问题大小。为了实现可扩展性,SAIH建立了一套新的机制来增加问题的大小。随着数据和模型的不断扩展,我们可以研究HPC系统上AI性能的趋势和范围,并进一步诊断系统瓶颈。为了验证我们的方法,我们增加了一个宇宙AI应用程序,以评估一个配备GPU的真正HPC系统作为SAIH的案例研究。
2022-12-07 cs.AI cs.DC cs.PF
Knowing Your Uncertainty -- On the application of LLM in social sciences
本文提出一个统一框架,用于评估LLM在社会科学任务中的不确定性,通过任务类型和验证类型两个维度,为研究者提供方法学保障和实践指导。
2026-09-09 cs.AI cs.CY cs.HC
Exploring the Societal and Economic Impacts of Artificial Intelligence: A Scenario Generation Methodology
Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院)
本文提出一种基于影响-不确定性矩阵的情景生成方法论,通过查询学术数据库和识别新兴趋势来评估人工智能对各领域的潜在社会与经济影响,为政策制定者和行业领导者的战略规划提供参考。
2025-03-31 cs.AI cs.CE cs.CY