基于人工智能的模型的高可信度方法

他們稱其為人工智能-不是因為智能某種程度上是假的。這是真正的情報，但仍然是人類制造的。這意味著AI(一種可以為研究人員的工作增加速度，效率，洞察力和準確性的電動工具)存在許多局限性。

它僅與給出的方法和數據一樣好。它本身不知道信息是否丟失，提供不同種類信息的權重或它所使用的數據是否正確或損壞。它不能精確地處理不確定性或隨機事件，除非它學會了如何。像機器學習模型通常那樣，它完全依靠數據，它沒有利用專家們多年來積累的知識以及支持物理和化學現象的物理模型。很難教計算機組織和整合來自廣泛不同來源的信息。

現在，特拉華大學和麻省大學的研究人員已經發布了一種新的人工智能方法的詳細信息，該方法將不確定性，錯誤，物理定律，專家知識和缺失的數據構建到計算中，并最終建立了更加可信的模型。新方法提供了AI模型通常缺乏的保證，顯示了該模型對于實現所需結果的價值(或沒有價值)。

UD化學與生物分子工程系的博士生Joshua Lansford和UD能源創新催化中心主任Dion Vlachos教授是10月14日發表在《科學進展》雜志上的論文的共同作者。麻薩諸塞州阿默斯特大學數學與統計系的Jinchao Feng和Markos Katsoulakis也做出了貢獻。

新的數學框架可以為許多研究領域中使用的計算機模型帶來更高的效率，精度和創新性。這樣的模型提供了強大的方式來分析數據，研究材料和復雜的交互作用，并以虛擬方式而不是在實驗室中調整變量。

Lansford說：“傳統上，在物理建模中，我們首先僅使用我們的物理直覺和有關系統的專業知識來構建模型。” “然后，由于基礎變量存在誤差，我們通常通過蠻力方法來對預測中的不確定性進行測量，然后在其中進行采樣，然后運行模型并查看會發生什么。”