随着科学智能(artificial intelligence for science,AI4S)的兴起,属性图优化已逐渐成为连接图机器学习与生物医药、新材料等战略新兴领域的关键纽带,并展现出广阔的应用场景。针对传统优化方法在领域知识融合方面的不足,以及由此引发...随着科学智能(artificial intelligence for science,AI4S)的兴起,属性图优化已逐渐成为连接图机器学习与生物医药、新材料等战略新兴领域的关键纽带,并展现出广阔的应用场景。针对传统优化方法在领域知识融合方面的不足,以及由此引发的建模与实际场景脱节、黑盒评估效率低下、优化过程可控性不足等重要挑战,本研究对面向科学智能的属性图优化相关前沿技术进行了系统综述。本研究首先深入剖析属性图的建模与表示方法,探讨如何通过更精准的图表示机制提升模型对具体科学任务的适配性;进而,解析黑盒优化与深度代理模型的基本原理,探讨如何实现对黑盒评估过程的高效近似,提升模型整体的效率与精度;最后,重点探讨大语言模型(large language models,LLMs)在领域知识注入和决策辅助方面的作用机制,以增强优化过程的可解释性与可控性。开展面向科学智能的属性图优化研究,不仅有助于推动计算机科学与各学科的深度交叉融合,更能加速图机器学习技术在解决多领域实际科学问题的落地进程,创造更大的经济与社会效益。展开更多
文摘随着科学智能(artificial intelligence for science,AI4S)的兴起,属性图优化已逐渐成为连接图机器学习与生物医药、新材料等战略新兴领域的关键纽带,并展现出广阔的应用场景。针对传统优化方法在领域知识融合方面的不足,以及由此引发的建模与实际场景脱节、黑盒评估效率低下、优化过程可控性不足等重要挑战,本研究对面向科学智能的属性图优化相关前沿技术进行了系统综述。本研究首先深入剖析属性图的建模与表示方法,探讨如何通过更精准的图表示机制提升模型对具体科学任务的适配性;进而,解析黑盒优化与深度代理模型的基本原理,探讨如何实现对黑盒评估过程的高效近似,提升模型整体的效率与精度;最后,重点探讨大语言模型(large language models,LLMs)在领域知识注入和决策辅助方面的作用机制,以增强优化过程的可解释性与可控性。开展面向科学智能的属性图优化研究,不仅有助于推动计算机科学与各学科的深度交叉融合,更能加速图机器学习技术在解决多领域实际科学问题的落地进程,创造更大的经济与社会效益。
