基于人工智能的模型的高可信度方法

他们称其为人工智能-不是因为智能某种程度上是假的。这是真正的情报，但仍然是人类制造的。这意味着AI(一种可以为研究人员的工作增加速度，效率，洞察力和准确性的电动工具)存在许多局限性。

它仅与给出的方法和数据一样好。它本身不知道信息是否丢失，提供不同种类信息的权重或它所使用的数据是否正确或损坏。它不能精确地处理不确定性或随机事件，除非它学会了如何。像机器学习模型通常那样，它完全依靠数据，它没有利用专家们多年来积累的知识以及支持物理和化学现象的物理模型。很难教计算机组织和整合来自广泛不同来源的信息。

现在，特拉华大学和麻省大学的研究人员已经发布了一种新的人工智能方法的详细信息，该方法将不确定性，错误，物理定律，专家知识和缺失的数据构建到计算中，并最终建立了更加可信的模型。新方法提供了AI模型通常缺乏的保证，显示了该模型对于实现所需结果的价值(或没有价值)。

UD化学与生物分子工程系的博士生Joshua Lansford和UD能源创新催化中心主任Dion Vlachos教授是10月14日发表在《科学进展》杂志上的论文的共同作者。麻萨诸塞州阿默斯特大学数学与统计系的Jinchao Feng和Markos Katsoulakis也做出了贡献。

新的数学框架可以为许多研究领域中使用的计算机模型带来更高的效率，精度和创新性。这样的模型提供了强大的方式来分析数据，研究材料和复杂的交互作用，并以虚拟方式而不是在实验室中调整变量。

Lansford说：“传统上，在物理建模中，我们首先仅使用我们的物理直觉和有关系统的专业知识来构建模型。” “然后，由于基础变量存在误差，我们通常通过蛮力方法来对预测中的不确定性进行测量，然后在其中进行采样，然后运行模型并查看会发生什么。”