隨著技術(shù)復雜度的逐年提升，科學創(chuàng)新與發(fā)現(xiàn)的大門也在向著更多領(lǐng)域敞開?，F(xiàn)在的問題是，由于數(shù)據(jù)比以往任何時候都要多，研究人員難以從中高效提取，使得技術(shù)轉(zhuǎn)化也越來越難。為此，美國能源部（DOE）決定為“自動化科學發(fā)現(xiàn)”的機器學習（ML）和人工智能（AI）研究項目，提供多達 1600 萬美元的資金支持。

來自美國能源部的這筆援助，將面向五個研究領(lǐng)域分配資金，主要涉及開發(fā)相關(guān) AI、和為科學研究量身定制機器學習算法。

這些算法旨在解析各種來源的大量數(shù)據(jù)(觀察研究、科學實驗、甚至模擬)，并通過相關(guān)洞察力來催生新的的科學發(fā)現(xiàn)。

基于此打造的特定 AI 與 ML 系統(tǒng)，有望幫助預測極端天氣將于何時發(fā)生、提供對電網(wǎng)的動態(tài)觀察、以及形成與空間和物理相關(guān)的結(jié)論。

能源部顯然對這些算法提起了濃厚的興趣，且該機構(gòu)擁有大量高端科學基礎(chǔ)設(shè)施，能夠成圣大量需要分析的數(shù)據(jù)。

另一方面，人類科學家一直在努力尋求見解和發(fā)現(xiàn)的突破，畢竟對如此大量的信息進行分類，已經(jīng)遠超人類的能力極限。

最后，美國能源部科學辦公室高級科學計算研究副主任 Barbara Helland 在一份聲明中稱：

科學應(yīng)用、算法、架構(gòu)和高性能計算生態(tài)系統(tǒng)，正在推動顛覆性的技術(shù)變革。

這些項目探索了人工智能和機器學習中潛在的高影響力方法，協(xié)助科學發(fā)現(xiàn)和自動化數(shù)據(jù)分析，進而解決日益復雜的相關(guān)問題。