学院新闻

近日，国家自然科学基金委员会公布了2022年度“可解释、可通用的下一代人工智能方法”重大研究计划项目的评审结果，中国人民大学高瓴人工智能学院孙浩长聘副教授申报的重大研究计划培育类项目“自动发现复杂动力系统控制方程的符号强化学习理论与算法研究”，许洪腾准聘副教授申报的重大研究计划培育类项目“基于最优传输的通用深度学习理论与方法”获批立项，获资助直接经费均为80万元。

本年度高瓴人工智能学院国家自然科学基金申报项目立项结果已全部公布，我院共有8个项目获批立项，获资助直接经费共计795万元，项目整体资助率达72.73%。其中包括优秀青年科学基金项目1项、联合基金项目重点支持项目1项、重大研究计划培育项目2项、面上项目3项和青年科学基金项目1项。整体来看，我院在科研项目承接、科技人才储备等方面均取得重要进展。

国家自然科学基金是体现高校科研创新实力及影响力的重要指标，对团队建设、科技创新、人才培养、成果培育等有重大意义。未来，人大高瓴人工智能学院将坚持以“重点人才”“重点项目”和“重点机构”为抓手，面向国家重大战略需求，以人工智能的基础科学问题为核心，发展人工智能新方法体系，促进我国人工智能基础研究和人才培养，助力国家在新一轮国际科技竞争中占据主导地位。

项目简介

1、孙浩，自动发现复杂动力系统控制方程的符号强化学习理论与算法研究，国家自然科学基金“可解释、可通用的下一代人工智能方法”重大研究计划培育项目

现代科学的发展主要依赖于简洁而优美的数学方程，得益于符号方程可解释、可通用的特征，即便是复杂系统，其运行机制也可以被完美诠释。从数据中自动挖掘、提取控制方程作为一类典型的符号回归问题，是自然科学发展和工程应用中数据助力科学探索的前沿挑战。然而，现有符号回归方法面临着延展性差、自动化弱、计算效率低、鲁棒性不足等关键技术难题，在实际应用中遇到瓶颈。针对该挑战，在前期工作基础上，本项目面向知识表示、优化策略、数据质量三个维度的关键科学问题，致力于可解释、可通用的符号强化学习与推理研究。建立“基于策略梯度的符号神经网络”、“符号强化学习”、“物理启发可微分符号学习”基础理论和创新方法，解决现有符号回归方法面临的挑战，同时开展跨学科场景应用研究。从数据中发现新知识、形成新定律，揭示复杂动态系统所蕴含变量之间逻辑关系、潜在动力机制、非线性规律和时空演化本质。本项目着力于交叉研究，希望在“面向数据驱动科学探索的可解释人工智能”领域，产生重大科学突破，推动该领域知识融通发展为完整的交叉体系，同时为跨学科领域创新应用（如大气/气象系统）提供新技术支撑。

2、许洪腾，基于最优传输的通用深度学习理论与方法，国家自然科学基金“可解释、可通用的下一代人工智能方法”重大研究计划培育项目

目前，以深度学习为代表的人工智能技术已经在高维数据的表征和生成任务中取得了令人鼓舞的成果。然而，这些成果往往依赖高度特化的模型和学习方法，缺少泛化能力和可迁移性。不仅如此，现有的深度学习方法在模型和学习策略的设计方面具有很强的经验性，难以适用于医疗、交通等对可解释性要求较高的场景。针对上述问题，本项目拟基于最优传输理论建立具有通用性和可解释性的深度学习方法，包括建立最优传输驱动的通用神经网络设计方法，对神经网络的常用模块和多层全连接网络、卷积网络、Transformer网络等经典模型进行归纳、重构和改进；建立最优传输驱动的通用学习方法，将谱聚类、对比学习等表征学习方法和自编码器、生成对抗网络、生成流、扩散模型等生成式学习方法纳入统一的算法框架；基于最优传输理论研究深度学习的表征和泛化能力，建立新的理论分析范式。本项目有望在通用人工智能的理论和技术层面形成具有特色和先进性的成果。