从开普勒到牛顿：面向科学的可解释AI

观察—假设—预测—实验循环范式用于科学研究，多年来被研究者用于科学发现。然而，随着 mega-scale 和 milli-scale 科学研究中的数据爆炸，手动分析数据并提出新假设以驱动科学发现循环有时变得非常困难。在本文中，我们通过展示一种基于可解释AI的科学发现范式，讨论了可解释AI在科学发现过程中的作用。关键在于利用可解释AI来帮助推导数据或模型解释、假设以及科学发现或洞见。我们展示了计算和数据密集型方法——与实验和理论方法一起——如何无缝集成于科学研究。为展示基于AI的科学发现过程，并向人类历史上一些最伟大智者致敬，我们展示了基于第谷·布拉赫的天文观测数据，（可解释）AI如何重新发现开普勒行星运动定律和牛顿万有引力定律，他们的工作引领了16至17世纪的科学革命。本工作也凸显了可解释AI（相较于黑箱AI）在科学发现中的重要作用，以帮助人类预防或更好准备未来可能发生的技术奇点，因为科学不仅关乎知其然，也关乎知其所以然。该工作的演示见 https://slideslive.com/38986142/from-kepler-to-newton-explainable-ai-for-science-discovery。