【深度学习革新：量化知识价值，驱动AI更高效模拟真实世界】
    在探索人工智能如何更趋近于科学家的道路上，科研团队正致力于将人类智慧与规则注入数据驱动型AI模型中，如ChatGPT和Sora，以期提升其推理效率及预测能力。然而，关键挑战在于如何妥善平衡数据与知识对模型性能的影响。
    近日，由美国国家工程院院士、宁波东方理工大学（暂名）常务副校长兼教务长张东晓教授，携手该校助理教授陈云天博士带领的研究团队，创新性地提出了一种新框架。该框架首次实现了对知识价值的定量评估，有效增强了深度学习模型的预测力，并已发表在Cell Press跨学科顶级期刊《Nexus》上。
    尽管Sora等模型展现了理解现实世界的能力，但研究人员认为它们尚不能准确模拟诸多基本物理交互过程，缺乏对世界的深层次理解。为此，他们构建的新框架旨在填补这一空白，让AI从动画般的存在真正走向高精度的模拟。
    此框架的核心创新在于引入了“规则重要性”（Rule Importance, RI）和“完全重要性”（Full Importance, FI）两个全新概念。RI用于量化每条规则对模型预测准确性的边际贡献，揭示特定规则或组合如何影响模型预测效果；FI则表示在所有其他规则存在的前提下，某条规则的重要性。通过建立基于扰动的高效计算方法，研究者巧妙地避开了每次都需重新训练模型的繁琐过程。
    实验结果显示，在不同领域如物理、化学、工程学的应用中，该框架表现出广泛实用性。例如，它能优化机器学习模型以解决多变量方程难题，精确预测薄层色谱实验结果，甚至优化未来实验条件设定。
    深入探究数据与规则间的关系，研究团队选取了四个典型的物理过程进行系统实验。研究发现，在分布内预测场景下，随着训练数据量增加，局部规则的RI会快速下降，表明模型可以通过大量数据自主学习提高预测精度，减少对规则的依赖。而在分布外预测情境中，全局规则与局部规则的RI随数据量变化呈现出截然不同的趋势，揭示出规则间的内在相互作用——依赖、协同和替代效应。
    最后，该框架的实际应用不仅显著提升了知情机器学习（informed machine learning）的性能，还通过改进模型选择和应用规则的方式，提高了模型的安全性和可靠性。团队包括通讯张东晓院士，以其在智慧能源与碳中和领域的卓越贡献闻名；以及论文一作徐浩，北京大学工学院博士研究生，擅长运用AI技术推动科学探索并已在Nature Communications、Chem和Advanced Science等权威期刊发表研究成果。