研究内容：可解释、可通用的下一代人工智能方法

一、科学目标

基于深度学习的人工智能方法在许多场景取得了重要突破，但仍然存在模型可解释性差、对抗样本鲁棒性差、数据与算力需求大、理论基础薄弱等问题。基于以上问题，本重大研究计划旨在建立规则和学习的有效融合机制，打破现有深度学习“黑箱算法”的现状，建立一套可适用于不同领域、不同场景（语音、图像、视频等）的通用方法体系。

二、科学问题

通过规则与学习结合的方式，建立高精度、可解释、可通用且不依赖大量标注数据的人工智能新方法。开发下一代人工智能方法需要的数据库和模型训练平台，完善下一代人工智能方法驱动的基础设施。
发展新物理模型和算法，建设开源科学数据库、知识库、物理模型库和算法库，推动人工智能新方法在解决科学领域复杂问题上的示范性应用

三、研究内容-微分方程与机器学习方法

机器学习算法在微分方程正反问题求解方面的应用，需突破传统数值算法的瓶颈，实现正反问题的高效求解；高维微分方程的正则性理论与算法；微分方程解算子的逼近方法（如通过机器学习方法获得动理学方程、弹性力学方程、流体力学方程、Maxwell方程以及其它常用微分方程的解算子）；微分方程经典算法和基于机器学习方法的融合；微分方程方法在机器学习中的应用（如用微分方程设计新的机器学习模型，设计和分析网络结构等）。