3.2 AI for science利用机器学习处理高维问题的能力，我们可以解决更多科学上的难题。这里我们举两个例子。第一个例子是Alphafold。
参考：J. Jumper et al. (2021)
第二个例子，便是我们自己的工作：深度势能分子动力学(DeePMD)。这是能达到从头计算精度的分子动力学。我们所使用的新的模拟“范式”便是：
❖
利用量子力学第一性原理计算提供数据；
❖
利用神经网络，给出势能面准确的拟合（参考：Behler and Parrinello (2007), Jiequn Han et al (2017), Linfeng Zhang et al (2018)）。
运用DeePMD，我们能够模拟一系列材料和分子，可以达到第一性层面的计算精度：
我们还实现了一亿原子的第一性原理精度的模拟，获得了2020年的戈登贝尔奖：
参考：Weile Jia, et al, SC20, 2020 ACM Gordon Bell Prize
我们给出了水的相图：
参考：Linfeng Zhang, Han Wang, et al. (2021)
而事实上，物理建模横跨多个尺度：宏观、介观、微观，而机器学习恰好提供了跨尺度建模的工具。
AI for science，即用机器学习解决科学问题，已经有了一系列重要的突破，如：
❖
量子多体问题：RBM (2017), DeePWF (2018), FermiNet (2019),PauliNet (2019),…；
❖
密度泛函理论: DeePKS (2020), NeuralXC (2020), DM21 (2021), …；
❖
分子动力学: DeePMD (2018), DeePCG (2019), …;
❖
动理学方程: 机器学习矩封闭 (Han et al. 2019);
❖
连续介质动力学: 
(2020)
在未来五到十年，我们有可能做到：跨越所有物理尺度进行建模和计算。这将彻底改变我们如何解决现实问题：如药物设计、材料、燃烧发动机、催化……
总结
机器学习根本上是高维中的数学问题。神经网络是高维函数逼近的有效手段；这便为人工智能领域、科学以及技术领域提供了众多新的可能性。
这也开创了数学领域的一个新主题：高维的分析学。简而言之，可以总结如下：
❖
监督学习：高维函数理论；
❖
无监督学习：高维概率分布理论；
❖
强化学习：高维Bellman方程；
❖
时间序列学习：高维动力系统。
关于AISI
北京科学智能研究院（AI for Science Institute, 以下简称AISI）成立于2021年9月，由鄂维南院士领衔，致力于将人工智能技术与科学研究相结合，加速不同科学领域的发展和突破，推动科学研究范式的革新，建设引领世界的「AI for Science」基础设施体系。
AISI的研究人员来自国内外顶尖高校、科研机构和科技企业，共同聚焦物理建模、数值算法、人工智能、高性能计算等交叉领域的核心问题。
AISI致力于创造思想碰撞的学术环境，鼓励自由探索和跨界合作，共同探索人工智能与科学研究结合的新可能。
