通过通用任务框架加速科学发现
机器学习
2025-11-07 v1 人工智能
计算工程、金融与科学
摘要
机器学习 (ML) 和人工智能 (AI) 算法正在改变并赋能工程、物理和生物科学中动态系统的表征与控制。这些新兴的建模范式需要比较指标来评估包括预测、状态重建、泛化和控制在内的多样化科学目标，同时也要考虑数据有限和噪声测量的情况。我们引入科学工程中的通用任务框架 (CTF)，该框架具备不断增长的挑战数据集集合，涵盖多样化的实用和通用目标。CTF 是一种关键使能技术，已为在传统应用中快速推进 ML/AI 算法，如语音识别、语言处理和计算机视觉作出贡献。在科学和工程领域，迅速开发和部署的多样化算法需要客观指标进行 CTF 的评估。
引用
@article{arxiv.2511.04001,
title = {Accelerating scientific discovery with the common task framework},
author = {J. Nathan Kutz and Peter Battaglia and Michael Brenner and Kevin Carlberg and Aric Hagberg and Shirley Ho and Stephan Hoyer and Henning Lange and Hod Lipson and Michael W. Mahoney and Frank Noe and Max Welling and Laure Zanna and Francis Zhu and Steven L. Brunton},
journal= {arXiv preprint arXiv:2511.04001},
year = {2025}
}
备注
12 pages, 6 figures