2022研究前沿及重点热点解读——信息科学（附报告全文）
发布时间：2022-12-282022年12月27日，科睿唯安与中国科学院今天联合发布《2022研究前沿》报告，遴选和展示了11大学科领域中的110个热点前沿和55个新兴前沿。
《2022研究前沿》以科睿唯安Essential Science Indicators™ (ESI) 数据库中的12610个研究前沿为起点。今年的报告基于2016-2021年的论文数据分析。在今年的报告中，研究人员还对32个重点研究前沿和1个前沿群进行了详细解读。
其中，信息科学热点前沿及重点热点前沿解读如下：
1. 热点前沿及重点热点前沿解读
1.1 信息科学领域Top 10 热点前沿发展态势
信息科学领域位居前十位的热点前沿主要包括面向从头药物设计、人类活动识别、脑肿瘤图像分割等领域的深度学习方法研究，长距离自由空间量子密钥分配与量子纠缠研究，知识图谱与图嵌入技术研究，多智能体强化学习研究，区块链与物联网集成研究，大规模机器学习优化方法，以及无人机无线通信和毫米波MIMO通信系统的信号处理等方向（表51）。“多智能体强化学习研究”在2020 年热点前沿“AlphaGo Zero 的强化学习算法”的基础上继续深化，“无人机无线通信研究”是2021 年热点前沿“基于无人机的无线通信技术”的延续和扩展，“知识图谱与图嵌入技术研究”“大规模机器学习优化方法”“毫米波MIMO 通信系统的混合预编码技术研究”前沿主题为首次入选。
1.2 重点热点前沿――“面向从头药物设计的深度学习方法研究”
药物研发是一个长周期、高投入和高风险的过程。近年来，以计算机辅助药物设计（CADD）、AI药物发现（AIDD）为代表的计算驱动手段在靶标发现和精准医疗、药物设计与发现等领域取得了显著的进步，为加快药物研发速度、降低药物开发成本赋予了希望。
化学空间中类药性分子的数量估计在1023-1060 量级。因此，通过计算的方法在整个化学空间中寻找特定的先导化合物成为药物发现中的重大挑战。虽然高通量筛选和虚拟筛选方法可以对大型化合物库中的分子进行有效评价，但也只能对已知的化合物库进行筛选，从而寻找出满足特定性质的分子。而从头药物设计则不同，后者以理想的化学性质为目标，通过基于深度学习的分子生成的方法，生成具有特定性质的全新分子以探索化学空间，补充化合物库，从而打破药物发现与设计的常规结构壁垒。
热点前沿“面向从头药物设计的深度学习方法研究”包含12 篇核心论文，内容涵盖分子连续表示的自动化设计方法、循环和对抗神经网络、druGAN 自动编码器模型，以及分子生成模型的基准测试平台MOSES 等。其中，哈佛大学Alán Aspuru-Guzik 教授牵头发表于《ACS 中心科学》(ACS CentralScience) 上的论文“AutomaticChemical Design Using a Data-Driven Continuous Representation ofMolecules”被引频次最高，已接近800 次（ 图25），论文介绍了使用神经网络将分子转化为连续向量表示，展示了基于梯度的分子性质优化，从而解决化学中的逆向设计难题。目前Alán 教授在加拿大多伦多大学领衔“AI for Discoveryand Self-Driving Labs”研究小组，致力于将人工智能与自动化机器人平台相结合，以高通量的形式自主发现新材料，目标是将发现新功能材料或优化已知功能材料所需时间和花费缩小10 倍，即从估计的1000 万美元和10 年的开发时间减少到100 万美元和1 年。
从核心论文的产出国家和机构分布看（表52），美国贡献的核心论文超过半数，瑞典和俄罗斯各贡献了三分之一的论文，英国和加拿大各发表3 篇论文。全球领先的制药公司阿斯利康贡献了4 篇核心论文，位列Top 产出机构之首。这4 篇核心论文中，“Molecular de-novo design throughdeep reinforcement learning” 一文使用强化学习和循环神经网络，生成查询结构的类似物，以及预测、生成对生物学目标有实际意义的化合物，被引频次接近250 次。俄罗斯有3 家机构进入Top 机构名单，加拿大有2 家机构上榜，此外中国的香港英矽智能科技有限公司和上海大学也各贡献1 篇论文。
对施引论文的分析显示（表53），美国是该研究前沿后续研究最为活跃的国家，代表性机构是麻省理工学院和哈佛大学。中国和英国也进行了较多的研究。从施引论文Top 10 机构名单可以看出，众多科研实力雄厚的科研机构、大学和企业都在进行相关研究，足见该前沿方向的重要程度和竞争之激烈。中国科学院和剑桥大学进入Top 10机构之列，加拿大有3 家机构入选，日本东京大学排名第10 名。
1.3 重点热点前沿 —“多智能体强化学习研究”
随着深度强化学习（DeepReinforcement Learning, DRL）近年来取得突破性进展，大量与之相关的算法和应用不断涌现。最近的很多研究已经不仅仅局限于单智能体强化学习，而是开始研究多智能体学习场景下的深度强化学习。强化学习中单个智能体与环境交互学习，是一种简单系统的观点，而将其扩展了的多智能体强化学习追求多个智能体在复杂环境中合作竞争，共同进化，是一种复杂系统的观点。多智能体强化学习在对不同智能体学习策略奖励不同的情况下，不断改进学习算法。目前，该方向已经取得了一系列瞩目的进展，比如交通信号控制、机器人控制、未知探索、公交车时刻表优化等。多智能体强化学习的研究与应用越来越多，其在通信网络、合作探索、任务卸载等方面都进行了深入的探索。
热点前沿“多智能体强化学习研究”包含6 篇核心论文，《科学》(Science) 和《自然》(Nature)各刊载3 篇。研究主题聚焦以下方面：（1） 通过引入DeepStack 探索一种用于处理信息不对称问题的算法，这是AI 在不完美信息博弈中堪称里程碑式的突破；（2）增强AlphaGo 神经网络的树算法，在脱离人类监督学习的情况下迭代出更高质量的行为预测；（3）利用self-play 思想通过不断调整对抗策略，解决普通自我博弈方法的“循环学习”问题。其中，被引频次在300 次以上的论文共有3 篇（ 图26）， 均来自DeepMind 公司（ 该公司于2014 年被Google收购）。发表在《自然》(Nature)上的“Mastering The Game of GoWith Deep Neural Networks and TreeSearch”一文被引频次高达3023次，论文介绍了一种把蒙特卡洛模拟和估值、策略网络结合在一起的算法，通过自我博弈的强化学习，使AlphaGo 达到了99.8% 的胜算率。这篇论文标志着第一代AlphaGo 的诞生，也掀起了强化学习的热潮。
从表54 可以看出，6 篇核心论文中英国贡献5 篇，占据绝对优势。美国、荷兰、加拿大、捷克各贡献1 篇。在产出机构方面，英国的DeepMind 公司贡献4 篇，捷克的布拉格查尔斯大学、捷克理工大学、美国Google 公司、加拿大阿尔伯塔大学各贡献1 篇。不难看出，DeepMind 在该前沿主题遥遥领先，其Alpha 系列产品占据着多智能体强化学习领域的绝对领先地位。总部位于荷兰的Team Liquid 电竞俱乐部通过参与DeepMind 公司的研究，成为核心论文的贡献者之一。加拿大、捷克等机构合作产出的“Deepstack: Expert-Level ArtificialIntelligence in Heads-Up No-LimitPoker”也获得较高关注。
从施引论文的角度来看（表55），中国和美国的施引论文产出数量均超过1000 篇，其次为英国、德国、韩国、日本等国家。从产出机构上看，中国有5 家机构进入Top 10 施引论文机构，其中中国科学院和清华大学最为活跃，排名第一和第二名；美国的麻省理工学院、斯坦福大学、哈佛大学等3 家机构发文量基本相当；英、法两国也有机构上榜。
2. 新兴前沿及重点新兴前沿解读
2.1 新兴前沿概述
信息科学领域有2 项研究入选新兴前沿，“面向MISO、MIMO 通信的可重构智能表面研究”和“可解释人工智能”。
2.2 重点新兴前沿――“可解释人工智能”
可解释人工智能（eXplainableArtificial Intelligence，XAI）是让专家能够理解人工智能成果的方法与技术，通过机器学习技术使深度神经网络呈现一定的可理解性，以满足相关使用者对模型及应用服务产生的信息诉求（如因果或背景信息），从而为使用者对人工智能服务建立认知层面的信任。
面对深度神经网络模型的“黑匣子”，XAI 从算法模型生命周期的各个环节介入，通过对数据、模型和结果的解释，解决深度学习机制下技术细节不透明的问题，帮助使用者排除模型故障或提升性能。与传统AI 相比，XAI 更加注重可信度、因果关系、公平性、透明性和隐私意识，因此，未来在医疗、司法、安全、金融等关键领域具有广阔的应用前景。
新兴前沿“可解释人工智能”包含3 篇核心论文，重点综述了可解释人工智能技术的发展情况。其中，来自西班牙巴斯克应用数学中心、格拉纳达大学等研究机构的学者合作发表的“ExplainableA r t i f i c i a l I n t e l l i g e n c e ( X A I ) :Concepts, taxonomies, opportunitiesand challenges toward responsibleAI”一文系统回顾了与XAI 相关的概念、类别、未来发展机遇，从理论层面对可解释人工智能进行了介绍。意大利比萨大学的学者则对黑箱模型解释方法进行了分析。
来源：科睿唯安
