NeurIPS 2020 | Workshop攻略来啦! 机器学习的七大应用领域

From: NeurIPS 2020；编译: T.R

机器学习是强大的生产力，已在各行各业得到了广泛应用。但在目前，对于算法和技术的认识与开发还存在局限。因此，科学家从方法论、技术开发、多学科融合等方面不断探索机器学习在各个领域应用的可能。

本次NeurIPS 2020的第一弹攻略将为大家呈现与机器学习应用相关的Workshop，从计算机体系结构、物理科学、现代工程、分子学与新分子研发、移动健康、大数据与机器学习驱动的经济政策制定、气候变迁与气象建模等领域展开机器学习应用的磅礴画卷。

此后，我们还会陆续推出NeurlPS 2020 tutorial攻略及精选论文解读。

关注并星标我们，精彩不容错过！

概要

机器学习 · 计算机体系结构

算法软硬件的交融，将促进新一代计算系统的到来。

机器学习 · 物理科学

基础科学与前沿机器学习将会碰出怎样的火花？

机器学习 · 现代工程

在机器学习的加持下，工程技术将迎来新的时代。

机器学习 · 分子学与新分子研发

创造新材料新物质的钥匙，机器学习手里就有一把。

机器学习 · 移动健康

比你更懂你，算法会成为守护健康的天使。

机器学习 · 大数据与机器学习驱动的经济政策制定

技术与政策的良性循环，让我们更好地建设经济。

机器学习 · 气候变迁与气象建模

天有阴晴不定的四季，我有机器学习的冷暖相知。

No.1

计算机系统体系结构

计算机系统及其优化方法日益复杂。目前，绝大多数的系统优化依赖于启发式方法和工程师的能力。但近年来，人们已经逐步将机器学习应用到系统优化中，并逐渐超越了传统的优化方法。在系统调度、数据结构设计、图聚类与划分、微结构设计、编译器、内存管理、电路设计、芯片规划以及大规模计算系统的控制中，机器学习都实现了层出不穷的应用。

为了持续扩大计算系统的规模，我们需要新的方法来优化系统。这一研讨会的目的，一是为了研发加速软硬件运行速度的机器学习优化算法，二是为了提高机器学习领域对计算机体系结构和系统设计问题的关注度。

在机器学习的应用上，不仅需要不断寻求超越传统算法的机器学习方法，同时也要从系统的视角继续扩大机器学习在硬件/电路设计、操作和运行系统等优化问题上的应用。

相较以往，这次的研讨会的规模更大，讨论更多，与会者的交流也更丰富。研讨会将邀请六位来自不同领域的优秀研究者进行主题演讲，NeurIPS的多学科交叉背景将会为此提供更多的灵感和发展方向。

研讨会将主要讨论以下问题：

1. 如何得到针对系统架构的高质量数据集？

2. 哪一种学习表示对代码性能和运行表示最好？

3. 哪种模拟器和模拟方法可以提供类似强化学习的易于溯源验证的技术？

http://mlforsystems.org/

No.2

物理科学

物理学是认识世界的基础，其研究领域从微粒到广袤的宇宙。它从星群中寻找地外行星，为量子多体问题和组合问题研究解决方案，从大型强子对撞机的事件流中检测异常事件，再到研究极端天气如何随着气候变化而发生改变。

机器学习在物理学方面的应用包括图像分割、目标检测等计算机视觉问题，包括序列模型构建、因果推理、生成模型与概率推理等非常多的数据密集型任务，这些技术对于物理学的关键发现至关重要，模型的可解释性也受到越来越多的关注。

这一研讨会将聚集计算机科学家、数学家与物理学家，一同拓展机器学习在前沿物理学问题中的研究，包括逆问题、近似物理过程、理解模型表示以及物理学与机器学习的衔接工具与方法。不同研究领域之间的对话将会强化学科间的联系，为前沿问题的思考提供更多启发。

同时研讨会还将举办多个主题演讲，展现科学家们在“机器学习-物理学”研究领域的前沿思考和技术实践。

https://ml4physicalsciences.github.io/2020/

No.3

现代工程

在计算机辅助建模、仿真和设计流程的极大帮助下，现代工程学得到了迅速发展。机器学习作为信息技术形态，也展现了推动工程领域发展的强大潜力。人们逐渐利用机器学习提高了工作流程的性能和效率，包括预测物质行为，基于机器学习进行物理仿真和设计优化，为3D形状构建生成模型，设计并优化能源系统实现低碳工业，同时也为制造业提供诸多先进的解决方案。

这一研讨会将聚焦工程领域与计算机领域的合作研究，从业人员将一同探索如何将机器学习更好地应用于工程问题，包括缩减阶次建模、优化设计加速、辅助参数辨识、加速制造业原型设计和开发、与先前工程工具有效集成、探讨工程领域所面临问题潜在的机遇与挑战。

研讨会还将邀请六位领域内的研究者进行主题演讲，利用机器学习这一强大工具，共同推动工程领域的进步和难题的解决。

https://ml4eng.github.io/

No.4

分子学与新分子研发

新型分子的发现和应用是人类社会得以可持续发展的重要支柱，从新药到粮食安全，到新能源的开发与应用，再到缓解气候变化，这些领域都离不开新型分子（特别是功能分子）的研发。然而新型分子的合成与发现十分漫长和艰辛，但机器学习的出现为这一领域的研究带来了新的生产力。特别是在COVID-19中，机器学习对药物和疫苗的研发起到了令人瞩目的作用。

这一研讨会的目的在于为机器学习和分子学研究专家建立对话的平台和通道，利用机器学习推动分析研发领域的快速发展。

近年来，机器学习能取得较大成功，包含了以下两个原因：首先，输入空间的连续性和平滑性，意味着模型可以有效处理那些与训练分布相似但在训练中没有出现的数据样本；其次，在强化学习领域的AlphaGo等算法训练中，为了寻求最优解，智能体可以不知疲倦地试做数百万次。但令人遗憾的是，这些特征在化学、材料科学、物理学和生物学研究中可能没办法满足，因为这些领域中的问题都高度离散和结构化，数据收集的难度非常大。

因此，近年来，大家开始关注如何用机器学习解决分子问题。机器学习的最新进展，在分子动力学加速、量子力学建模以及新型分子设计和特性优化设计问题中都得到了重要应用。机器学习在分子层面的迅速发展为研究者提供了绝好的机会和更广阔的视野，在物理系统的表达、物理约束模型、流形学习，数据的生成模型、可解释性、可重复性以及模型因果和偏置等方面都提供了重要参考。

这一研讨会还将讨论机器学习在化学与物理问题、制药与农业方面的应用，并判断技术发展的现状，指出未来可能的发展方向。更重要的是，不同领域的研究者将通过本次研讨会建立联系，建立大规模的相关数据集，不断促进学科间的交叉融合与持续创新发展。

https://ml4molecules.github.io/

No.5

移动健康

移动健康的发展逐渐对临床诊断和治疗产生了变革性的影响。可穿戴传感器和移动电话为支持自动化诊断和健康守护的算法提供了可靠的实时数据流，并且能够为用户提供不间断、有效、及时的医护服务，广泛应用于高风险活动预警、慢性病管理、强化阶段以及活动增强等方面。由于移动健康领域的软硬件和应用服务迅猛发展，本领域现有的理论和方法已经不能满足现阶段的需求了。

目前，这一领域还面临诸多问题，包括如何理解丰富多样的活动信号、如何预测并鼓励健康的行为和运动等等。这些问题的解决需要健康专家和机器学习专家通力合作，将更好的算法应用于健康管理和身体状况预测中来，并共同研究实验设计、因果推理、多模态复杂数据分析、表达学习、强化学习与数据可视化，以及与临床流程的整合等等。

研讨会主要的议题主要包括：

1. 多样化行为的检测与预测

2. 可穿戴设备的数据应用

3. 迁移学习与深度学习

4. 临床诊断与决策过程

5. 多传感器数据融合与健康管理

6. 可穿戴设备与领域诊断想结合

7. 数字化工具与社会协同实现人口健康管理

https://sites.google.com/view/ml4mobilehealth-neurips-2020/home

No.6

大数据与机器学习驱动的

经济政策制定