【儀表網 產業報道】科學智能(AI for Science，AI4S)，是指人工智能技術驅動的科學研究，主要應用在探索未知的科學領域。AI4S概念由中國科學院院士、北京大學教授鄂維南于2018年首次提出。AI4S開啟了一種利用人工智能學習深奧的科學原理來創造科學模型，以解決那些曾被認為無解的實際問題的科研新范式。2021年，隨著英國“深度思維”(DeepMind)公司發布阿爾法折疊(AlphaFold)，AI4S成為全球關注的焦點。2023年以來，以ChatGPT為代表的大模型的崛起，推動了人工智能從科研方法、科研技術向行業實踐的實際應用的轉變。
 

　　驅動科學研究新范式
 

　　AI4S這一概念自2018年首次被提出以來，在學術界和政府機構中引發了廣泛的討論，它的內涵特征主要體現在兩個方面：作為科學范式的變革者，它推動了對科學原理的新發現；作為科學實踐的加速器，它加快了理論向實踐的轉化，促進了科研成果的應用落地。
 

　　AI4S的科學本質值得深度思考。科學研究中某些問題做不到使用基本原理來解決，它們依賴于多個獨立變量，維數(自由度)過多，計算量呈指數增加，形成“維數災難”，既有的數據分析工具不再適用，只能用非常粗糙的近似方法來試圖解決。
 

　　以深度學習為代表的人工智能技術在高維問題(圖像分類、人臉生成、圍棋對弈、蛋白質預測等)上取得的成功，表明了其是逼近高維函數更有效的工具，有助于解決那些受“維數災難”困擾的問題，這也是AI4S的出發點。
 

　　AI4S通過人工智能技術引導科學假設生成、融合科學實驗與仿真、分析科學數據，為科學研究提供新方法和工具，推動科學研究加速創新和突破，成為繼實驗觀察、理論推導、計算仿真、數據驅動之后的科學研究“第五范式”。目前，AI4S已經在多領域取得了顯著研究成果。
 

　　AI4S引導科學假設生成。針對領域科學知識進行壓縮表示，形成跨領域知識交互推理庫，引導科學研究發現問題與提出假設，輔助科學研究設計與分析。例如谷歌基于提出的阿爾法幾何(AlphaGeometry)模型，利用自然語言大模型和上億個幾何結構數據進行訓練，實現了人工智能幾何推理與證明。中國科學技術大學研究團隊提出AI-Chemist模型，通過學習數萬篇化學領域文獻和相關跨學科知識，輔助科學家利用材料完成火星環境下析氧反應催化劑的制備，極大地簡化了催化劑合成與性能優化過程。
 

　　AI4S助力科學實驗仿真。針對成熟科學方法進行數據驅動增強，提升算法執行效率與效果。例如，華為基于“盤古”氣象大模型，在中長期氣象預測精度與計算效率方面超越傳統數值預報方法。DeepMind利用強化學習方法成功實現托卡馬克裝置磁控制主要功能，解決了傳統控制器參數設計困難且耗時的問題。
 

　　AI4S輔助科學數據分析。針對待解科學問題進行一般化抽象，利用海量數據確定抽象模型參數，形成對未知機理的合理假設及預測。例如，DeepMind基于AlphaFold進行蛋白質結構預測，解決了傳統實驗方法成本高效率低的痛點，極大地推動了結構生物學的發展。此外，DeepMind提出的GNoME用于新材料預測，并已發現多種理論上穩定但實驗未實現的晶體結構，為儲能、超導等未來變革性技術提供了豐富參考。
 

　　鑒于人工智能技術對科學發展的潛在巨大助力，多國政府以及公司、研究機構紛紛投入大量資源，推動第四次技術革命。我國也積極推進該領域專項工作，科技部會同國家自然科學基金委員會于2023年3月啟動“人工智能驅動的科學研究”AI4S專項部署工作。
 

　　加速電力革命進程
 

　　隨著大規模可再生能源的接入及負荷側的再電氣化過程，大量特性各異的源、荷、儲等裝備以電力電子為接口接入現有電力系統，使系統向著高比例可再生能源和高比例電力電子設備(即“雙高”)趨勢快速發展。
 

　　“雙高”電力系統具有全新的、更加復雜的動力學特征，不僅體現在設備元件數量、種類的大幅增加，還體現在供給側、需求側隨機性帶來的擾動影響。這些特征造成了與系統相關的許多預測、分析、優化、控制問題呈現“高維”特性，直接建模極為復雜，機理方法難以處理，往往只能通過試錯或靠經驗來解決。
 

　　面對“雙高”電力系統帶來的問題和挑戰，AI4S能夠提供一系列解決方案。通過其在假設生成、實驗仿真和數據分析三個方面的能力，為電力領域的研究和實踐提供新的視角和工具。
 

　　——在假設生成方面，電力領域可利用人工智能技術對歷史數據進行分析和學習，生成關于系統未來運行趨勢的科學假設，指導研究人員進行更深入的研究分析。在電力裝備研發領域，美國通用電氣公司運用人工智能技術預測合金成分，并推動燃氣輪機用高溫合金的設計，大幅縮減了新材料的研發周期與成本。在電網仿真分析領域，中國電科院將人工智能技術與大電網仿真技術相結合，從仿真數據分析角度出發，提出大電網仿真分析、潮流計算調整和穩定控制決策等人工智能模型和算法，從而為大電網仿真分析開辟一條新的技術途徑。
 

　　——在實驗仿真方面，電力領域可利用人工智能技術助力海量跨學科知識數據實現交叉融合，在復雜系統的計算模擬中減少計算時間，提高仿真模型的準確性。在配電網計算推演領域，中國電科院利用人工智能技術，綜合分析電網運行數據、負荷特性、設備狀態以及環境因素等多維度信息，構建精細化的仿真模型，提升最小化采集下的配電網參數、拓撲、狀態以及未來態勢透明化感知水平，有效提升配電網的可觀測、可描述、可計算能力。
 

　　——在數據分析方面，電力領域可利用人工智能技術進行高維復雜數據處理，輔助研究人員分析科學數據的結構性、關聯性，從而減少計算時間并降低計算成本。在電力系統運行優化領域，中國電科院面向電力調度優化問題(如機組組合、市場出清等)的求解需求，提出面向大規模混合整數規劃求解的人工智能和數學規劃互補協同方法，實現了海量場景下快速確定混合整數規劃關鍵變量，從而提高電力調度優化問題的求解效率。
 

　　中國電科院在AI4S的電力領域應用方面做了積極探索和實踐，突破了數據知識融合建模方法，提出了機理-跨模態數據融合的電網設備智能感知與診斷技術、電網運行可行域降維結合強化學習的源網荷儲智能調控技術、分層博弈的綜合能源自治協同技術，依托自主攻關的國家重點研發計劃“電力物聯網關鍵技術”，在天津濱海全域全面示范應用，有效提升了電網典型業務場景的智能運維、新能源消納以及用戶服務水平，加速推動電網數字化轉型和智能化升級。后續，中國電科院將利用大量電力領域數據知識，開展實驗仿真、優化決策等上層應用，助力AI4S在電力領域的科學范式變革及落地應用加速。
 

　　電力行業的AI4S研究仍處于探索階段。盡管已有個別優秀的先行應用案例(大都源于其自身特點與電力業務場景緊密契合)，但尚未進入行業性的大規模推廣和體系化發展階段。
 

　　面臨三大挑戰
 

　　AI4S的未來充滿無限可能，但要實現這一愿景，必須正視并解決當前研究和應用中遇到的難題。當下，推動電力行業AI4S研究面臨以下三大挑戰。
 

　　一是高質量數據獲取難。數據質量對于人工智能模型的訓練和性能至關重要，電力行業數據涉及生產、運行和管理等領域，這些數據在維度、尺度上很難形成統一規范，采集到的數據存在缺失、異常等問題，使得獲取高質量數據面臨挑戰。
 

　　二是計算資源需求大。科學研究通常需要處理和分析大量的數據，電力行業需要處理的數據規模大且類型復雜，部分場景還對計算時間有嚴格的要求。此外，人工智能模型的訓練和優化過程也非常耗時，這些都對計算資源和計算效率提出了很高的要求。
 

　　三是跨學科人才儲備不足。電力行業AI4S融合了電力、計算機、數學、物理等多個學科知識，需要具備深厚電力知識又精通人工智能技術的跨學科人才。由于電力行業本身的性質，跨學科的交流和合作不足，跨學科人才儲備亟待增加。
 

　　為了進一步加快電力行業AI4S創新工作，并迅速孕育出重大的應用成果，建議在基礎研究、創新平臺、人才隊伍三個方面進行重點布局。
 

　　一是加強AI4S基礎研究攻關。加快布局“人工智能驅動的科學研究”前沿科技研發體系，統籌規劃形成切實可行的AI4S應用落地路徑，明確AI4S在電力領域的基礎研究方向，開發具有較強泛化能力、能夠適應不同場景的AI4S算法模型，從本質上助推電網高質量發展。
 

　　二是加快建設統一開放的AI4S創新服務平臺。打造AI4S創新平臺，集數據整合、高性能智算、資源共享、跨學科交流等多項功能于一體，為電力領域科學研究提供強大的技術支撐和智能基座，服務能源電力行業AI4S創新發展。
 

　　三是加強AI4S方面人才隊伍建設。多渠道多方位引進學科帶頭人和核心產業領域高層次人才，集聚和穩定一批具有較高專業水平與影響力的領軍人才及青年骨干，積極推進跨專業科學研究交叉融合，培養具有跨學科思維和創新能力的人才隊伍，高效協作引領電力行業AI4S快速發展。