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
Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning
Institute of Science and Technology Austria (ISTA)(奥地利科学技术研究所)
提出可扩展机械神经网络(S-MNN),通过线性化序列长度的计算和空间复杂度,实现高效建模长期动力学,保持精度和可解释性。
2025-04-01 cs.LG cs.NA math.NA
From Hybrid Mechanistic--Data-Driven Modeling Toward Neuro-Symbolic AI: What, Why, and How
Institute for Computational Biomedicine, RWTH Aachen University(计算生物医学研究所,亚琛工业大学);Center for Computational Life Sciences, RWTH Aachen University(计算生命科学中心,亚琛工业大学)
研究旨在从混合机理-数据驱动建模迈向神经符号人工智能,核心方法是将混合建模设计重构为NeSy接口实例,即Hybrid-to-NeSy(H2N)转换,贡献是得出SVR和BD指标量化不确定性,通过案例研究验证了该方法的有效性。
2026-07-28 cs.AI cs.LG cs.LO
Using scientific machine learning for experimental bifurcation analysis of dynamic systems
University of Bristol(布里斯托大学)
利用机器可学习结构扩充机械常微分方程(ODE)模型是一种新的方法,可以通过测量数据创建高精度、低维的工程系统模型,并结合专家知识和现实情况。我们的探索性研究集中于训练具有极限环的物理非线性动力系统的通用微分方程(UDE)模型:经历颤振振荡的机翼和电动非线性振子。我们考虑的例子中,训练数据生成的数值模拟,而我们也采用所提出的建模概念的物理实验,使我们能够调查的问题,具有广泛的复杂性。为了收集训练数据,使用基于控制的连续方法,因为它不仅捕获被观测系统的稳定极限环,而且捕获不稳定的极限环。该功能使得有可能提取更多的信息,观察系统比开环方法(测量稳态响应的参数扫描,而不使用控制)将允许。我们使用神经网络和高斯过程作为通用逼近器,与机械模型一起对UDE建模方法的准确性和鲁棒性进行严格评估。我们还强调了在训练过程中可能遇到的潜在问题,表明了当前建模框架的局限性。
2022-06-18 cs.LG math.DS
DeepSeek vs. ChatGPT vs. Claude: A Comparative Study for Scientific Computing and Scientific Machine Learning Tasks
Brown University(布朗大学)
本文系统比较了 DeepSeek、ChatGPT 和 Claude 及其推理优化版本在科学计算与科学机器学习任务中的表现,发现推理类模型显著优于非推理模型,且 ChatGPT o3-mini-high 推理速度最快。
2025-03-08 cs.AI cs.LG
Learning Biomolecular Motion: The Physics-Informed Machine Learning Paradigm
School of Biological Sciences, Georgia Institute of Technology(生物科学学院,佐治亚理工学院)
本文综述了物理信息机器学习在生物分子运动建模中的最新进展,提出以机制性归纳偏置和可微物理学习框架解决长时间尺度动力学与自由能估计等核心问题。
2025-11-10 cs.LG physics.comp-ph q-bio.BM
Towards scientific discovery with dictionary learning: Extracting biological concepts from microscopy foundation models
Valence Labs(Valence实验室);Rutgers University(罗格斯大学);University of Cambridge(剑桥大学);University of Manchester(曼彻斯特大学)
本文提出将迭代码本特征学习与PCA白化预处理相结合,从细胞显微镜视觉基础模型中提取细胞类型、遗传扰动等生物学概念,并揭示细微形态变化,为生物成像中的机制可解释性科学发现开辟新路径。
2025-07-18 cs.AI cs.CV cs.LG
Scientific Machine Learning Benchmarks
Rutherford Appleton Laboratory, Science and Technology Facilities Council(卢瑟福·阿普尔顿实验室,科学与技术设施委员会);Oak Ridge National Laboratory(橡树岭国家实验室);University of Virginia(弗吉尼亚大学)
深度学习神经网络的突破改变了人工智能和机器学习技术在分析超大型实验数据集方面的应用。这些数据集通常由国家实验室的大型实验设施生成。在科学背景下,科学机器学习专注于训练机器识别模式、趋势和异常,从这些数据集中提取有意义的科学见解。随着新一代实验设施的出现,数据生成的速度和数据量的规模将越来越需要使用更加自动化的数据分析。目前,确定最合适的机器学习算法来分析任何给定的科学数据集对科学家来说仍然是一个挑战。这是由于许多不同的机器学习框架、计算机体系结构和机器学习模型。从历史上看,对于HPC系统的建模和仿真,这些问题已经通过对计算机应用程序、算法和架构进行基准测试来解决。扩展这种基准测试方法并确定将机器学习方法应用于科学数据集的指标,对科学家和计算机科学家来说都是一个新的挑战。在本文中,我们描述了我们的方法来开发科学的机器学习基准和审查其他方法来基准科学的机器学习。
2021-10-25 cs.LG physics.comp-ph
Decoding complexity: how machine learning is redefining scientific discovery
Alice Author Affiliation(Alice作者机构);Tom Theory Affiliation(Tom理论机构);Emma Experiments Affiliation(Emma实验机构);Affiliation, Department, City, Country(机构、部门、城市、国家);Simon Simulations Affiliation(Simon模拟机构)
本文探讨机器学习在加速科学发现中的变革作用,通过实例展示其重塑研究,并讨论应对挑战以拓展知识边界。
2025-04-25 cs.AI cs.LG
A Robust Learning Methodology for Uncertainty-aware Scientific Machine Learning models
Universidade Federal da Bahia(巴伊亚联邦大学);Faculty of Engineering, University of Porto(波尔图大学工程学院)
鲁棒学习是科学机器学习(SciML)中的一个重要问题。有几个作品在文学解决这个问题。然而,对于能够同时考虑SciML模型识别中涉及的所有不同不确定性分量的方法的需求越来越大。因此,这项工作提出了一个全面的方法,SciML的不确定性评估,也考虑了几个可能的来源,在识别过程中涉及的不确定性。在所提出的方法中考虑的不确定性是缺乏理论和因果模型,对数据损坏或不完善的敏感性,以及计算工作量。因此,有可能为SciML领域的不确定性感知模型提供一个整体策略。该方法通过一个实例进行了验证,开发了一个聚合反应器的软测量。结果表明,所识别的软测量是强大的不确定性,证实了所提出的方法的一致性。
2022-09-05 cs.AI cs.LG
OceanCBM: A Concept Bottleneck Model for Mechanistic Interpretability in Ocean Forecasting
University of California, Davis(加州大学戴维斯分校);University of Washington(华盛顿大学);NOAA Geophysical Fluid Dynamics Laboratory(国家海洋大气管理局流体动力学实验室)
本文提出OceanCBM,一种用于时空预测和海洋动力机制解释的概念瓶颈模型,通过混合监督预测混合层热含量,实现可解释且物理基础的表示。
2026-05-12 cs.LG
The State of Julia for Scientific Machine Learning
Northeastern University(东北大学)
本文评估了Julia语言在科学机器学习领域的现状、特性与生态系统,探讨了其取代Python的可行性与陷阱,并呼吁社区解决阻碍其普及的语言级问题。
2024-12-20 cs.LG cs.MS cs.PL
Verification and Validation for Trustworthy Scientific Machine Learning
Sandia National Laboratories(桑迪亚国家实验室);The George Washington University(乔治·华盛顿大学);University of Michigan(密歇根大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文针对科学机器学习可信度实践滞后的问题,探讨了应用验证与确认协议的关键挑战,并提出了16条建议,以帮助研究人员在所有SciML领域严格开展并记录建模过程。
2025-04-25 cs.LG
Algorithms and Scientific Software for Quasi-Monte Carlo, Fast Gaussian Process Regression, and Scientific Machine Learning
Illinois Institute of Technology(伊利诺伊理工学院)
本论文提出三种高效算法与软件:QMC用于高维积分,GP用于高维插值与不确定性量化,sciML用于PDEs建模,涵盖误差估计、多任务学习和多级方法等创新技术。
2025-11-26 cs.LG math.PR stat.ML
PhysSAE: Mechanistic Interpretability of PINNs with Sparse Autoencoders
QuaNad Research Laboratory, PES University(PES大学 QuaNad研究实验室);QNu Labs Pvt Ltd(QNu Labs私人有限公司);PES University (EC Campus)(PES大学(EC校区))
PhysSAE通过稀疏自编码器识别PINN中的物理特征,并因果验证其作用,证明PINN具有可解释的稀疏结构化表示。
2026-09-15 cs.LG physics.comp-ph
Actionable Attribution Maps for Scientific Machine Learning
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
科学界越来越有兴趣利用深度学习的力量来解决各种领域的挑战。然而,尽管构建预测模型很有效,但由于深度神经网络的不透明性,从深度神经网络中提取可操作知识仍然存在根本性挑战。在这项工作中,我们提出了探索深度学习模型的行为的技术,通过在分析管道中注入特定领域的可操作概念作为可调的“旋钮”。通过将领域知识与生成建模相结合,我们不仅能够更好地理解这些黑盒模型的行为,而且还为科学家提供了可操作的见解,这些见解可能会导致根本性的发现。
2020-06-30 cs.CV cs.LG
Machine Collective Intelligence for Explainable Scientific Discovery
Korea Research Institute of Chemical Technology(韩国化学技术研究院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出机器群体智能,结合符号主义与元启发式方法,实现自主进化发现 governing equations,无需人工知识,显著降低 extrapolation error。
2026-04-30 cs.AI physics.comp-ph
Leveraging Interpolation Models and Error Bounds for Verifiable Scientific Machine Learning
Argonne National Laboratory(阿贡国家实验室);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出一种可验证科学机器学习方法,证明标准插值误差界可高效计算、插值方法间比较有助于验证,并能在深度学习潜在空间上增强黑盒可解释性,以翼型升阻比预测为例验证。
2025-02-08 cs.LG stat.ML
Interpretable models for extrapolation in scientific machine learning
Citrine Informatics(Citrine Informatics(思创信息));HRL Laboratories(HRL实验室)
数据驱动模型是科学发现的核心。为了实现最先进的模型准确性,研究人员正在使用越来越复杂的机器学习算法,这些算法在插值设置(例如随机k折交叉验证)中的性能往往优于简单回归,但外推性能、可移植性和人类可解释性较差,这限制了它们促进新科学见解的潜力。在这里,我们研究了模型性能和可解释性之间的权衡,在广泛的科学和工程问题,重点是材料科学数据集。我们比较了黑盒随机森林和神经网络机器学习算法与单特征线性回归的性能,这些线性回归使用简单随机搜索算法发现的可解释输入特征进行拟合。对于插值问题,线性回归的平均预测误差是黑箱模型的两倍。值得注意的是,当预测任务需要外推时,线性模型产生的平均误差仅比黑箱模型高5%,并且在大约40%的测试预测任务中优于黑箱模型,这表明它们可能比复杂算法更可取,因为它们具有优越的可解释性,计算开销和易用性。这些结果挑战了科学机器学习的外推模型受到性能和可解释性之间固有权衡的约束的常见假设。
2022-12-16 cond-mat.mtrl-sci cs.LG
ShardTensor: Domain Parallelism for Scientific Machine Learning
NVIDIA Santa Clara, CA, USA(NVIDIA 圣克拉拉加州 USA)
本文提出ShardTensor,一种领域并行新范式,通过解耦输入数据的空间维度与硬件限制,实现输入数据灵活扩展,提升科学机器学习的训练和推理精度与效率。
2026-05-11 cs.DC cs.LG
The Bearable Lightness of Big Data: Towards Massive Public Datasets in Scientific Machine Learning
Stanford University(斯坦福大学);Sandia National Laboratories(桑迪亚国家实验室);SLAC National Accelerator Laboratory(SLAC国家加速器实验室)
一般来说,大型数据集使深度学习模型能够以良好的准确性和可推广性执行。然而,由于维度和存储限制,大量高保真模拟数据集(来自分子化学,天体物理学,计算流体动力学(CFD)等)可能具有挑战性。有损压缩算法可以帮助减轻存储限制,只要保持整体数据保真度。为了说明这一点,我们证明了在千万亿次CFD模拟数据上训练和测试的深度学习模型对语义分割问题中有损压缩期间引入的错误具有鲁棒性。我们的研究结果表明,有损压缩算法提供了一个现实的途径,为暴露高保真的科学数据开放的源数据库建设社区数据集。在本文中,我们概述,构建和评估建立大数据框架的要求,在https://blastnet.github.io/中演示,用于科学机器学习。
2022-07-25 cs.LG physics.flu-dyn
Modelling Mosquito Population Dynamics using PINN-derived Empirical Parameters
Avia-GIS
针对病媒传播疾病防控中蚊子种群建模需求,提出用PINN改进机制动力学模型的生物过程参数化,实验验证其性能更优,并探究了架构调整对模型效果的影响。
2025-06-13 cs.LG cs.NA math.NA
On the definition and importance of interpretability in scientific machine learning
Smead Aerospace Engineering Sciences University of Colorado Boulder(科罗拉多大学博尔德分校Smead航空航天工程科学系)
本文探讨科学机器学习中可解释性的定义与重要性,指出传统科学模型与机器学习模型在可解释性上的差异,并提出新的可解释性定义以指导科学研究。
2026-04-22 cs.LG physics.data-an physics.hist-ph
Scientific machine learning in Hydrology: a unified perspective
Université du Québec à Chicoutimi(魁北克大学希库蒂米分校)
本文提出了一种统一的SciML框架,以整合水文学中的物理知识,促进方法学的统一和水文学建模的持续发展。
2025-05-24 cs.LG physics.comp-ph physics.data-an
When a better baseline makes delta learning worse: separating residual scale from learnability to guide target design
University of Toronto Scarborough(多伦多大学士嘉堡校区);Alliance for AI-Accelerated Materials Discovery (A3MD)(AI加速材料发现联盟);University of Toronto(多伦多大学)
本文揭示残差尺度不足以衡量可学习性,提出尺度归一化图狄利克雷粗糙度作为诊断指标,并确立基线互补性为靶标设计核心原则,以提升科学机器学习泛化能力。
2026-11-17 cs.LG physics.chem-ph physics.comp-ph
PETScML: Second-order solvers for training regression problems in Scientific Machine Learning
Extreme Computing Research Center, King Abdullah University of Science and Technology(阿卜杜拉国王科技大学极端计算研究中心);Mathematical Institute, University of Oxford(牛津大学数学研究所)
本文提出基于PETSc的轻量级框架PETScML,利用二阶求解器(如信赖域、L-BFGS)高效训练科学机器学习回归模型,显著提升泛化性能并优于一阶方法。
2024-03-18 cs.LG cs.MS math.OC
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
Towards Autonomous Mechanistic Reasoning in Virtual Cells
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Valence Labs(Valence实验室);University College London(伦敦大学学院)
本文提出了一种结构化解释形式化方法,用于虚拟细胞中的生物推理,通过机理动作图实现系统验证和反驳,并引入VCR-Agent多智能体框架,结合生物基础知识检索和基于验证器的过滤方法,生成并验证机理推理。
2026-05-20 cs.AI cs.LG
Learning where to learn: Training data distribution optimization for scientific machine learning
Cornell University(康奈尔大学);MIT(麻省理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种优化训练数据分布的方法,以提升科学机器学习模型在不同部署条件下的预测精度和鲁棒性。
2025-12-05 cs.LG math.OC stat.ML
Weak Form Scientific Machine Learning: Test Function Construction for System Identification
Department of Applied Mathematics, University of Colorado(应用数学系,科罗拉多大学)
本文针对弱形式科学机器学习中测试函数构造问题,提出一种数据驱动的单尺度局部参考函数构造方法,通过近似求积误差自动确定最优支撑尺寸,在无需模型参数的情况下提升系统辨识精度与计算效率。
2025-07-03 cs.LG cs.NA math.NA
Two-level overlapping additive Schwarz preconditioner for training scientific machine learning applications
Division of Applied Mathematics, Brown University(布朗大学应用数学系);Artificial and Natural Intelligence Toulouse Institute (ANITI)(图卢兹人工智能与自然智能研究所)
本文提出一种两层重叠加性 Schwarz 预条件子,通过子域分解与同步策略加速科学机器学习训练,显著提升 LBFGS 收敛速度与模型精度,并支持模型并行。
2025-09-25 cs.LG cs.NA math.NA
SciNets: Graph-Constrained Multi-Hop Reasoning for Scientific Literature Synthesis
Jaypee Institute of Information Technology(杰伊佩 Institute 信息科技学院)
SciNets通过图约束多跳推理实现科学文献综合,通过多跳路径连接罕见共现的概念,提升机制解释的稳定性和多样性。
2025-12-28 cs.AI cs.CL cs.IR
Are LLMs Ready for Neural-integrated Mechanistic Modeling? A Benchmark and Agentic Framework
University of Virginia(弗吉尼亚大学)
本文提出神经集成机制建模(NIMM)基准测试,评估大语言模型在三个科学领域构建神经集成机制模型的能力,并设计树引导的智能体框架 NIMMGen,通过分支级搜索和原子模型细化显著提升搜索稳定性和解质量。
2026-05-31 cs.AI cs.CL cs.LG
Beyond Major Product Prediction: Reproducing Reaction Mechanisms with Machine Learning Models Trained on a Large-Scale Mechanistic Dataset
Massachusetts Institute of Technology(麻省理工学院)
本研究构建了含518万余基元步骤的大规模有机反应机理数据集,训练机器学习模型实现反应路径预测等功能,展现杂质预测潜力,同时指出模型泛化面临的相关挑战。
2024-03-07 cs.LG
Open Problems in Mechanistic Interpretability
Apollo Research(阿波罗研究院);Anthropic(Anthropic公司);Decode Research(解码研究院);Eleuther AI(Eleuther AI公司);FAR AI(FAR AI公司);Google DeepMind(谷歌DeepMind);Leap Laboratories(飞跃实验室);Harvard University(哈佛大学);King’s College London(伦敦国王学院);Imperial College London(帝国理工学院);MATS;MIT(麻省理工学院);METR;Northeastern University(东北大学);Tel Aviv University(特拉维夫大学);Timaeus(提迈奥斯);University of Melbourne(墨尔本大学);Goodfire
本文综述了机制可解释性领域的当前前沿,指出在方法改进、目标应用及社会技术挑战方面存在的关键开放问题,为该领域优先研究方向提供指导。
2025-01-27 cs.LG
Modelling of physical systems with a Hopf bifurcation using mechanistic models and machine learning
University of Bristol(布里斯托大学);Imperial College London(伦敦帝国学院)
我们提出了一种新的混合建模方法,结合了机械模型与机器学习模型来预测具有Hopf分岔的物理系统的极限环振荡。机械模型是一个常微分方程规范形式的模型捕捉系统的分岔结构。然后使用机器学习技术基于实验数据识别从该模型到实验观察的数据驱动映射。该方法首先在Van der Pol振子和三自由度气动弹性模型上进行了数值验证。然后,它被应用到模型的物理气动弹性结构的行为,表现出极限环振荡在风洞试验。该方法被证明是一般的,数据高效,并提供良好的精度,没有任何先验知识的系统以外的分歧结构。
2022-09-07 cs.LG math.DS nlin.CD
SimbaML: Connecting Mechanistic Models and Machine Learning with Augmented Data
Free University Berlin(柏林自由大学)
SimbaML是一个开源工具,通过基于常微分方程模型生成合成数据并与真实数据结合,支持迁移学习、数据增强和物理信息机器学习基准测试,解决机器学习训练数据不足的问题。
2023-07-09 cs.LG
ATLAS: Active Theory Learning for Automated Science
Google DeepMind(谷歌DeepMind);Princeton University(普林斯顿大学);Columbia University(哥伦比亚大学);University College London(伦敦大学学院)
提出ATLAS框架,通过主动学习迭代生成稀疏神经网络假设并设计最优区分实验,在bandit任务中恢复强化学习智能体,相比随机实验采样效率提升5-10倍。
2026-06-11 cs.AI cs.LG
"Cause" is Mechanistic Narrative within Scientific Domains: An Ordinary Language Philosophical Critique of "Causal Machine Learning"
Department of Computer Science, Czech Technical University in Prague(捷克技术大学布拉格分校计算机科学系);Institute of Advanced Consciousness Studies(高级意识研究 institute)
本文以日常语言哲学方法批判因果机器学习的前提,划分三类科学领域的因果机制叙事差异,提出需聚合多领域证据并谨慎传达结论以解决科学集体行动问题。
2026-08-14 cs.LG
Mechanistic Interpretation of Machine Learning Inference: A Fuzzy Feature Importance Fusion Approach
随着机器学习在决策支持中的广泛应用,验证和理解特定输出产生的原因变得越来越重要。虽然训练后特征重要性方法有助于这种解释,但对于如何量化特征重要性总体上缺乏共识,使得模型预测的解释不可靠。此外,这些解释中的许多取决于所采用的特定机器学习方法以及在计算特征重要性时使用的数据子集。提高解释可靠性的一种可能的解决方案是将来自不同机器学习方法的多个特征重要性量化器的结果与重新采样相结合。目前最先进的集合特征重要性融合使用清晰的技术来融合来自不同方法的结果。然而,由于这些方法不是上下文感知的,并且将几个量词减少到单个清晰的输出,因此存在显著的信息损失。更重要的是,它们将“重要性”表示为系数,对最终用户和决策者来说是误导和不可理解的。在这里,我们将展示如何使用模糊数据融合方法可以克服一些重要的限制,清晰的融合方法。
2021-10-22 cs.AI cs.LG cs.LO
Contextual Counting: A Mechanistic Study of Transformers on a Quantitative Task
New York University(纽约大学);Flatiron Institute(弗莱伦研究所);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of Cambridge(剑桥大学);The University of Tokyo(东京大学);University of Colorado Boulder(科罗拉多大学博尔德分校);Prescient Design, Genentech(基因泰克公司Prescient Design部门);Princeton University(普林斯顿大学)
本文提出上下文计数任务以研究Transformer在定量场景下的行为,通过理论与实证分析发现因果注意力及无位置嵌入表现最佳,且分布外性能与偏置词元选择紧密相关。
2024-05-30 cs.AI cs.LG stat.ML
Equivariant Sparse Autoencoders: Mechanistic Interpretability of Neural Networks on Symmetric Data
University of Amsterdam(阿姆斯特丹大学)
该研究针对稀疏自编码器在对称数据上的不可识别问题,提出等变稀疏自编码器,可避免缺陷并发现更有用的下游任务特征,表明重构质量与特征实用性在对称下可能负相关。
2026-08-10 cs.LG
A machine learning methodology for real-time forecasting of the 2019-2020 COVID-19 outbreak using Internet searches, news alerts, and estimates from mechanistic models
Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院);Tecnológico de Monterrey(蒙特雷理工学院);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);Northeastern University(东北大学);ISI Foundation(ISI基金会)
我们提出了一种及时而新颖的方法,通过可解释的机器学习方法,将来自机械模型的疾病估计与数字痕迹相结合,以实时可靠地预测中国各省的COVID-19活动。具体来说,我们的方法能够产生稳定和准确的预测2天前的当前时间,并作为输入(a)从中国疾病预防控制中心的官方健康报告(中国疾病预防控制中心),(b)百度的COVID-19相关互联网搜索活动,(c)Media Cloud报告的新闻媒体活动,以及(d)GLEAM对COVID-19活动的每日预测,一种基于代理的机械模型。我们的机器学习方法使用聚类技术,可以利用中国各省COVID-19活动的地理空间同步性,并使用数据增强技术来处理少量的历史疾病活动观察结果,这是新爆发的特征。我们的模型在中国32个省份中的27个省份的预测能力优于一系列基准模型,并且可以轻松扩展到目前受COVID-19疫情影响的其他地区,以帮助决策者。
2020-04-08 cs.LG q-bio.PE stat.ML
Higher-Order Knowledge Representations for Agentic Scientific Reasoning
本文提出基于超图的知识表示方法,用于代理科学推理,通过高阶路径生成机理假设,提升科学发现效率。
2026-01-08 cond-mat.mtrl-sci cs.AI cs.CL
Combining physics education and machine learning research to measure evidence of students' mechanistic sensemaking
1 Department of Computer Science, Tufts University, Medford, MA, U.S.A.;2 Department of Education;Department of Physics \& Astronomy, Tufts University, Medford, MA, U.S.A.
本研究设计了一种基于机器学习的工具,利用语言编码器分析大学生的机制性意义建构,发现其测量结果与人类编码员具有较好一致性,但编码器设计需权衡准确性与计算成本,为物理教育研究提供了新方法。
2025-09-17 cs.LG physics.ed-ph
Same Accuracy, Different Gene Panels: How the Hyperparameter Grid Chooses the Reported Explanation
University of Hertfordshire(赫特福德大学)
研究机器学习模型预测一致但解释不同的问题,引入EvoXplain框架,通过分析训练和模型选择过程中解释样本,判断解释是否唯一确定,揭示平均共识与单一训练模型的关系,将可解释性视为训练管道属性。
2026-07-07 cs.AI cs.LG
Inferential Mechanics Part 1: Causal Mechanistic Theories of Machine Learning in Chemical Biology with Implications
Avicenna Biosciences, Inc.(阿维森纳生物科学公司)
本文提出推断力学理论,通过聚焦概念改进化学生物学中机器学习的因果结构,以解决现有因果缺陷问题。
2026-02-26 cs.LG
Facilitating automated conversion of scientific knowledge into scientific simulation models with the Machine Assisted Generation, Calibration, and Comparison (MAGCC) Framework
University of Vermont Larner College of Medicine(佛蒙特大学拉纳医学院)
机器辅助生成、比较和校准(MAGCC)框架为科学仿真模型的开发、实施、测试和使用中经常出现的关键步骤和过程提供机器辅助和自动化。MAGCC通过自然语言处理或从现有数学模型中提取知识来连接系统,并提供全面的工作流程,包括科学模型的组成和人工智能(AI)辅助的代码生成。MAGCC通过以下方式实现这一目标:1)开发全面表达的正式知识表示知识库,结构化科学知识表示(SSKR),其包含制作任何仿真模型所需的所有类型的信息,2)使用人工智能逻辑推理系统,计算建模助理(CMA),其从SSKR获取信息并以可追踪的方式生成,跨一系列仿真建模方法的模型规范,以及3)使用CMA从那些模型规范生成用于仿真模型的可执行代码。MAGCC框架可以定制任何科学领域,未来的工作将整合新开发的代码生成AI系统。
2022-04-21 cs.AI cs.LG
Accelerated and Inexpensive Machine Learning for Manufacturing Processes with Incomplete Mechanistic Knowledge
Rutgers University(罗格斯大学)
本文提出基于迁移学习的制造过程建模方法,允许源物理模型定性不准确,从而在FFF打印线宽预测中大幅降低开发、实验与计算成本并减少误差。
2023-04-29 cond-mat.mtrl-sci cs.LG
Generating Scientific Articles with Machine Learning
Stockholm University(斯德哥尔摩大学)
近年来,机器学习领域已经看到了快速增长,在各种领域中具有应用,包括图像识别、自然语言处理和预测建模。在本文中,我们探索了机器学习在科学文章生成中的应用。我们提出了一种使用机器学习来生成基于科学论文数据集的科学文章的方法。该方法使用机器学习算法来学习科学文章的结构和由科学论文组成的一组训练数据。机器学习算法用于基于科学论文数据集生成科学文章。我们通过比较生成的文章,一组手动编写的文章的方法来评估性能。结果表明,机器生成的文章质量与手工撰写的文章质量相当。
2022-03-30 cs.LG
Counterfactual Predictions in Scientific Emulators Without Controlled Experiments
California Institute of Technology(加州理工学院);NVIDIA(英伟达);Institute of Science Technology Austria(奥地利科学技术研究所)
提出ReRoute框架,结合事实数据与部分机制知识,无需受控实验即可在科学仿真器中实现高精度反事实预测,并在气候仿真中显著降低误差。
2026-10-05 cs.AI cs.LG stat.ML
Uncertainty and Structure in Neural Ordinary Differential Equations
Bosch Center for Artificial Intelligence(博世人工智能中心);University of Tübingen(图宾根大学);MPI for Intelligent Systems Tübingen(马克斯·普朗克智能系统研究所(图宾根))
本文研究了神经常微分方程在科学与工程应用中的不确定性与结构问题,提出利用Laplace近似等贝叶斯深度学习技术实现结构化的不确定性量化,并探讨了机制知识(如守恒定律)与不确定性估计在辛神经ODE等框架中的相互作用,实验证明该方法在低维ODE和高维偏微分方程上均有效。
2023-05-22 cs.LG
Unboxing the Black Box: Mechanistic Interpretability for Algorithmic Understanding of Neural Networks
本文提出了一种统一的机理可解释性方法分类,并探讨了其在可解释人工智能中的应用与潜在贡献。
2025-11-24 cs.LG
Learning From Simulators: A Theory of Simulation-Grounded Learning
Carson Dudley, Marisa Eisenberg(独立研究者)
该研究为完全基于合成模拟数据训练的SGNNs构建了统一统计框架,推导了其学习特性与分布偏移下的性能变化,提出了带后验一致性保证的归因方法,并通过实验验证了其在数据有限场景下的科学预测优势。
2025-10-01 cs.LG math.DS