人工智能和机器学习正在深刻改变现代基础科学的发现方式，经过大量多样化数据集训练的基础模型，在计算机视觉和自然语言处理等任务中展现了强大的适应性。研究人员利用这些基础模型中编码的丰富知识，正在解决长期规划和多模态推理等关键挑战，为机器人和对话系统等复杂的现实世界应用提供了新的可能性。人工智能科学与基础模型的整合，为解决科学问题提供了独特的机会，并为进一步的特定领域适应奠定了坚实基础，有望从根本上改善我们建模复杂现象的方式，成为未来科学进步的重要投资领域。
🤔 **可扩展性：** 科学基础模型的扩展规律和训练策略与 NLP、视觉模型是否不同？科学基础模型的训练需要大量数据，而且数据类型和质量对模型性能至关重要。因此，需要研究如何有效地扩展科学基础模型，并制定针对科学数据的训练策略。
♻️ **可重用性：** 科学基础模型是否可以只训练一次并在不同场景中采用？基础模型的重用性取决于其泛化能力，需要评估模型在不同科学领域和任务上的适应性。研究人员需要探讨如何设计可重用性强的科学基础模型，以减少重复训练的成本，并加速科学发现。
📈 **性能：** 科学基础模型能否始终优于特定领域模型？如何使基础模型理解多模态科学输入并能够解决多种科学问题？基础模型的性能取决于其对科学数据的理解和处理能力。为了提高模型性能，需要研究如何使基础模型理解多模态科学输入，并能够解决跨学科的科学问题。
🚀 **加速科学发现：** 如何利用基础模型加速科学发现和科学数据的收集/吸收？基础模型可以用于加速科学发现，例如自动分析数据、生成假设、设计实验等。研究人员需要探讨如何利用基础模型来提高科学研究的效率，并加速科学数据的收集和吸收。
🤝 **兼容性：** 如何使基础模型兼容并实现经典科学工具的集成？基础模型需要与现有的科学工具和软件系统兼容，才能有效地应用于科学研究。研究人员需要探索如何实现基础模型与经典科学工具的集成，以构建更强大的科学研究平台。
⚠️ **失败案例：** 如何诊断科学基础模型无法良好运行的失败案例或模式？基础模型的失败案例需要被识别和分析，以便更好地理解模型的局限性。研究人员需要开发诊断方法，以识别基础模型无法良好运行的失败案例或模式，并改进模型的性能。
📏 **不确定性：** 如何量化基础模型的科学不确定性？基础模型的预测结果通常存在不确定性，需要量化这种不确定性，以评估模型的可靠性。研究人员需要开发方法来量化基础模型的科学不确定性，并提供更可靠的预测结果。
🧪 **科学事实的一致性：** 如何确保科学基础模型与科学事实的一致性，避免产生错误结论？基础模型需要与已知的科学事实保持一致，以避免产生错误结论。研究人员需要开发方法来验证模型的输出结果，并确保其与科学事实的一致性。
🚀 **应用驱动：** 我们也强烈鼓励以 AI for Science 和科学机器学习（SciML）为重点的应用驱动型投稿。
📧 **联系方式：** foundationmodelscience@gmail.com
人工智能（AI）和机器学习（ML）在科学领域的应用代表了传统科学发现方法的重大转变。几个世纪以来，探索自然世界的过程遵循着系统和逻辑的方法。然而，人工智能和机器学习技术正在深刻改变现代基础科学的发现方式。这种变化对于促进跨学科交流、激发创新的解决方案，并最终提高科学界应对现代科学中最紧迫和复杂问题的能力至关重要。与此同时，经过大量多样化数据集训练的基础模型，在计算机视觉（CV）和自然语言处理（NPL）等任务中展示了强大的适应性。这些模型通过提供可针对多种应用微调的预训练基础，彻底改变了各自的领域。研究人员通过利用这些基础模型中编码的丰富知识，正在解决长期规划和多模态推理等关键挑战，这对于机器人和对话系统等复杂的现实世界应用至关重要。我们看到人工智能科学与基础模型整合的合作机会，这正在成为科学领域的一股变革力量。通过利用经过大量数据集训练并具有多模态处理能力的基础模型，解决科学问题的独特机会应运而生，并为进一步的特定领域适应奠定了坚实基础。因此，人工智能科学与基础模型之间的协同作用有望从根本上改善我们建模复杂现象的方式，使其成为未来科学进步的重要投资领域。与传统的小规模人工智能科学模型或基础模型相比，构建和应用基础模型以推进和解决科学问题，既有机遇，也有独特的挑战。在本次研讨会上，我们旨在汇集基础模型和科学问题领域的专家，激发讨论，并促进对以下广泛而变革性问题和挑战的合作（包括但不限于）：可扩展性：科学基础模型的扩展规律和训练策略与 NLP、视觉模型是否不同？可重用性：科学基础模型是否可以只训练一次并在不同场景中采用？
如何使基础模型理解多模态科学输入并能够解决多种科学问题？如何利用基础模型加速科学发现和科学数据的收集/吸收？
如何诊断科学基础模型无法良好运行的失败案例或模式？如何确保科学基础模型与科学事实的一致性，避免产生错误结论？
我们诚邀各科学领域的论文投稿，包括但不限于：量子力学（如核聚变）、小分子、生物医学（如蛋白质、生物序列、虚拟筛选）、材料科学（如电池、化学合成）、地球科学和计算科学（如 PDE、预测）。我们也强烈鼓励以 AI for Science 和科学机器学习（SciML）为重点的应用驱动型投稿。Senior Research Scientist + Group Leader, Center for Computational Astrophysics, Flatiron Institute, Simons FoundationResearch Professor of Physics & Data Science, New York UniversityProfessor, University of California at BerkeleyVice President, International Computer Science Institute (ICSI)Group Lead, Machine Learning and Analytics Group, Lawrence Berkeley National LaboratoryAssociate Professor, University of PennsylvaniaPrincipal Researcher, Microsoft ResearchSenior Applied Scientist, AWS AI LabsResearch Chair in Machine Learning, University of AmsterdamDistinguished Scientist, Microsoft ResearchProfessor, New York UniversityScientific Director and Lead PI, M²LInEShttps://fm-science.github.io/cfp.htmlhttps://openreview.net/group?id=NeurIPS.cc/2024/Workshop/FM4Science录取/拒稿通知日期：2024 年 9 月 30 日Workshop 研讨会日期：2024 年 12 月 14 日或 15 日
Assistant Professor, Simon Fraser UniversityPostdoc Fellow, Machine Learning and Analytics Group, Lawrence Berkeley National Lab（previous: Postdoc Fellow at University of Waterloo）Postdoctoral Associate, Courant Institute, NYUSenior Research Scientist and Research Group Leader, International Computer Science Institute (ICSI)Machine Learning and Analytics Group, Lawrence Berkeley National LabLaurence Perreault-LevasseurAssistant Professor, University of MontrealAssociate Professor, University of ChicagoProfessor, The University of Texas at Austinfoundationmodelscience@gmail.com
