深度学习用于科学发现的综述

在过去的几年里，我们见证了机器学习核心问题的根本性突破，这在很大程度上是由深度神经网络的进步推动的。与此同时，在广泛科学领域中收集的数据量和复杂度都在急剧增长。综合来看，这为深度学习在科学环境中的应用提供了许多令人兴奋的机会。但其中一个重大挑战是 simply 知道从何入手。不同深度学习技术的广度和多样性使得难以确定哪些科学问题可能最适合这些方法，或者哪种具体的方法组合能提供最有前景的初步途径。在本综述中，我们聚焦于解决这一核心问题，概述许多广泛使用的深度学习模型，涵盖视觉、序列和图结构数据、相关任务以及不同的训练方法，同时包括用更少数据使用深度学习以及更好地解释这些复杂模型的技术——这是许多科学用例的两个核心考量。我们还提供了完整设计过程、实现技巧的概述，以及由社区开发的大量教程、研究综述和开源深度学习流水线及预训练模型的链接。我们希望本综述有助于加速深度学习在不同科学领域的应用。