他们被称之为人工智能并不是因为智能是假的，这是真正的智慧，它仍然是人类制造的。人工智能是一种能为研究人员的工作增加速度、效率、洞察力和准确性的强大工具，但是它也有许多局限性。

人工智能自己不知道信息是否丢失，不同类型的信息有多大的权重，或者它所提取的数据是否错误或损坏。它不能精确地处理不确定性或随机事件，除非它学会如何处理。像机器学习模型通常所做的那样，它完全依赖于数据，无法利用专家多年来积累的知识来支撑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，特拉华大学和马萨诸塞大学阿默斯特分校的研究人员公布了一种新的人工智能方法的细节，这种方法将不确定性、误差、物理定律、专家知识和缺失的数据纳入其计算中，并最终得到更值得信赖的模型。

约书亚·兰斯福德（Joshua Lansford）是环球开发商化学和生物分子工程系的博士生，他和迪昂·弗拉乔斯教授（Prof.Dion Vlachos）是共同作者，这篇论文发表在10月14日的《Science Advances》杂志上。

新的数学框架可以为许多研究领域中使用的计算机模型产生更高的效率、精度和创新性。这些模型提供了强大的方法来分析数据，研究材料和复杂的相互作用，并以虚拟的方式调整变量。

兰斯福德说：“在传统的物理建模中，我们首先只利用我们的物理直觉和有关系统的知识来建立模型。”然后，我们测量由于潜在变量的错误而导致的预测不确定性，通常依赖于暴力方法，在这种方法中，我们进行采样，然后运行模型，看看会发生什么。”

有效、精确的模型节省了时间和资源，并使研究人员能够找到更有效的方法、新材料、更精确和创新的方法。

兰斯福德说，这篇论文描述了新的数学框架如何在一种称为氧化还原反应的化学反应中起的作用，但它适用于许多种建模。

他说：“我们需要的化学物质和材料使事情变得更快，甚至像燃料电池一样使之成为可能，这是非常复杂的。”如果你想制造一种更有效的催化剂，你需要对你的预测误差有一个界限。

兰斯福德说：“我们的模型设计中考虑了不确定性。”现在它不再是一个确定性模型。这是一个概率问题。”

他说，随着这些新的数学发展到位，模型本身确定了减少模型误差所需的数据。然后，可以使用更高层次的理论来生成更精确的数据，或者可以生成更多的数据，从而导致预测的误差边界更小，并缩小可供探索的区域。

“生成这些计算非常耗时，因此我们通常处理10到15个数据点的小数据集。这就是分配错误的必要性。”

这种新的模型设计方法可以大大加强可再生能源、电池技术、缓解气候变化、药物发现、天文学、经济学、物理学、化学和生物学等领域的工作。

人工智能并不意味着不再需要人类的专业知识。恰恰相反，从实验室中产生的专业知识和科学研究的严谨性是任何计算模型必不可少的基础材料。

参考文献：Jinchao Feng et al. Explainable and trustworthy artificial intelligence for correctable modeling in chemical sciences, Science Advances (2020). DOI: 10.1126/sciadv.abc3204。