集智-凯风奖学金计划开放申请：孕育原创思想，启迪科研创新

导语

“集智-凯风研读营”项目已经成功举办5届，孕育出多项重要研究成果，激发大量科研灵感。为了支持更多从事原创科学研究的年轻科学家，我们面向大陆和国外院校的在读学生各开放三个奖学金资助名额，领域包括但不限于复杂系统方法与理论，机器学习与人工智能，统计物理与量子计算等，欢迎符合条件的同学申请。

“集智-凯风研读营” 项目是由凯风研读营资助、集智俱乐部发起的学术交流活动。通过特定学术主题，汇聚术业有专攻但又视野广阔的青年学者，举行 5-7 天的封闭式交流营活动。通过深度研读讨论前沿科学研究，共同界定和审视一些新的问题，使得在当前学术体制下，实现跨文化、跨学科、跨领域的学术创新，形成真正具有原创思想能力的学术共同体。

集智-凯风研读营始于2016年，每年一次，集中在6-9月份的时间，集智科学家们围绕“网络、几何与机器学习”深入地讨论了几何（尤其是双曲几何）在机器学习、复杂网络和张量网络等领域中应用的一些最新进展，激发出了很多科研成果，包括出版的科普书籍和在顶刊上发表学术文章。

2020年8-9月期间，我们举办了第5届集智-凯风研读营，主题定位为“面向复杂系统人工智能研究”，该研读营旨在实现对复杂系统的自动建模，从「复杂系统」的理论出发，借助人工智能的方法和技术，揭开人工智能的黑箱，突破现有人工智能可解释性瓶颈，推动通用、可解释性强的系统在相关应用领域的落地并解决实际问题。包含以下几个子主题：

• 基于深度学习的复杂系统自动建模

• 基于可解释性的因果推断方法论技能

• 技能、职业与社会分工的计算社会学

• 人工智能如何取代物理学家

同时，在集智-凯风研读营学术委员会成员尤亦庄、张潘、张江、吴令飞老师的提议下，考虑到海外的留学生在疫情的环境下，生存环境更为艰难的问题，成立了“集智-凯风奖学金”计划，用于资助参与研读营的国内外学生的科研工作。

目前，在大家踊跃的申请下，由学术委员会投票审核，已经确定了第一批资助名单，分别是：

• 来自北京师范大学在读博士崔浩川，目前在芝大交流，他的研究题目是“逆转创新的时钟”，

• 加州大学圣地亚哥分校在读博士扈鸿业，他的研究题目是“重整化群流在计算机视觉的应用” ，

• 来自北京师范大学在读博士王硕，他的研究题目是“复杂系统自动建模在大气污染预报与溯源中的应用”
  

第二批的申报和审核正在进行中，我们希望可以资助更多的原创性有价值的科研项目，促进科研的发现和推进。

项目简介

目标：支持在从事原创性的科研成果和发现的年轻科学家，促进集智-凯风研读营的科研产出。

方向：与集智俱乐部参与推动的前沿科学方向相关，包括但不限于复杂系统方法与理论，机器学习与人工智能，统计物理与量子计算等等。

资助名额：大陆和国外个各三个名额，每个人资助10,000人民币（大陆）或者2,500美元（北美）（见注释1）。

申请条件

原则上：a) 30岁及以下，b) 在读学生，c) 通过个人申请及初筛入选集智凯风研读营的成员（见注释2）。

申请流程

1. 预申请截止日期：2021年1月15日。

2. 申请人准备两页申请计划书（不包括参考文献）。

第一页介绍本人正在进行的研究计划，需要指出预期发表的期刊或者会议；

第二页介绍本人的开源科学志愿者服务计划，需要与研读营结合，例如总结往期研读营的线上内容（注释3）并按照主办方的要求撰写科普笔记一份，贡献公开讲座一次；

3.集智-凯风研读营组委会成员（张江 北京师范大学，张潘 中科院物理所；尤亦庄 加州大学圣地亚哥分校 ；吴令飞 匹兹堡大学）受理预申请并组织审查，请发送至[e-mail]。审查结果将以电子邮件形式反馈至申请人。

项目资助方式

所有申请经学术委员会打分选择前六名（目前还剩3个名额）进行资助。

具体资助方式:

• 申请获准后，立即拨放奖学金的一半作为启动资金；

• 在项目成果以会议或期刊论文方式公开发表后，拨放奖学金的剩余部分。

• 如果项目成果未发表或发表会议/期刊影响力远低于申请书中的预期目标，则由剩余部分由集智-凯风研读营组委会成员讨论决定是否继续发放。

项目的义务

当项目资助完成，相关成果需要致谢集智俱乐部和集智-凯风研读营。

咨询方式

本项目负责人是集智俱乐部秘书长王婷，如有疑问和未尽事项，可以咨询18621066378。

注释1. 由The Big Mac Index（麦当劳巨无霸购买力）决定即 20 元=1个巨无霸= 5美元 https://www.economist.com/news/2020/07/15/the-big-mac-index 。因此资助金额约为500个巨无霸。

注释2. 研读营介绍及2020招募：https://swarma.org/?p=20390

注释3. 历年研读营介绍：

网络、几何与深度学习-集智凯风研读营（2019）

已资助项目介绍

• 项目名称：逆转创新的时钟
• 项目负责人：崔浩川（北京师范大学）

随着人类社会预期寿命的增加，我们面临着巨大的老龄化挑战。这种老龄化的挑战深深影响着国际政治、经济、科技格局 (Azoulay 2020)。与人类社会老龄化相对应的，是科学与技术领域也日趋面临着老龄化。然而，通过对WOS期刊数据库的调查，老年科学家正在以肉眼可⻅的速度扩大在科学期刊发表 的产出和影响力 (Jones and Weinberg 2011)。同时，Packalen and Bhattachrya 2019 发现，年龄阻碍着科学家接受并尝试新的科学话题。老化让科学家倾向于保留了更多的保守思想，减缓了研究领域的发展，在一定程度上抹杀新兴思想的产生。我们研究科学家相对于周围的同事和想法是如何衰老的，并探讨衰老对科学进步的影响。通过对 Web of  Science 数据集中2000万篇文章中440万名学者的分析，我们发现，在所有领域和时间段内，科学家所从事的先前工作的知识年龄与职业年龄成线性关系，这与科学家的“想象力”老化有关。这一过程随着早期的成功而加速，但会随着科学家和学者的发展而逆转：a）向新领域过渡，b）转向新的研究环境，c）与年轻的同事合作。随着年龄的增长，科学家们首先接近表征科学注意力前沿的概念，然后在大约10年后逐渐消失。随着成熟度的提高，科学家们更倾向于通过与自己的对比来保守地批评年轻科学家们的工作，而年龄越大、年龄越大的科学家们的研究进展往往最慢，对新兴的思想和科学家们最为敌视。

[1] Jones, Benjamin F., and Bruce A. Weinberg. "Age dynamics in scientific creativity." Proceedings of the National Academy of Sciences 108.47 (2011): 18910-18914.

[2] Packalen, Mikko, and Jay Bhattacharya. "Age and the trying out of new ideas." Journal of human capital 13.2 (2019): 341-373.

[3] Azoulay, Pierre, et al. "Age and high-growth entrepreneurship." American Economic Review: Insights 2.1 (2020): 65-82.

• 项目名称：重整化群流在计算机视觉的应用
• 项目负责人：扈鸿业（加州大学圣地亚哥分校）

在过去的⼗年中，我们⻅证了新⼀轮⼈⼯智能尤其是深度学习的迅猛发展。从计算机视觉对图 像分类的监督性学习，到AlphaGo战胜⼈类最⾼棋⼿的强化学习，伴随着新的算法的产⽣，计算机处理器算⼒的加强和⼤量的数据，深度学习在各个领域产⽣了令⼈赞叹的效果，并让我们想象机器在未来的某⼀天会不会也可以像⼈类⼀样产⽣“智能”。对于机器的智能，当我们给它提供很多数据让它进⾏观察后，它是不是也具有这样的能⼒，提取出好的表征，总结成规律呢？对 于让机器在⾮监督的意义下，找到具有解释性的，重要的表征就是我们研究的重点。那么什么样 ⼦的表征我们认为是⼀个好的表征呢？⾸先，如果我们的数据中⼀些特质是相互独⽴的，⽐如形状和颜⾊，那么我们希望对于这些特质的表征是尽可能相互独⽴的，即⾮纠缠的表征 (disentangled representation)。其次，⼤⾃然的信号是分层级的，⽐如理想⽓体可以在⼩尺度 ⽤分⼦位置来描述，但在⼤尺度只需要温度，压强等物理量来描述，我们希望机器具有⾃发处理不同层级信号，压缩信息的能⼒。针对这个问题，我们根据物理思想重整化群提出了多层级的无监督生成模型：RG-Flow，这是无监督学习下一种 新型的网络结构和学习方案。在研究中我们通过人工合成数据、人脸数据和自然图像数据的研 究展示了它在无监督下建立多层级表征具有很大潜力。并且证明了它在局部信息缺失图像复原问 题上有计算复杂度的降低。

[1] Shuo-Hui Li, Lei Wang, Phys. Rev. Lett. 121, 260601 (2018)

[2] Hong-Ye Hu, Shuo-Hui Li, Lei Wang, Yi-Zhuang You. Phys. Rev. Research 2, 023369 (2020) 

[3] Hong-Ye Hu, Dian Wu, Yi-Zhuang You, Bruno Olshausen, Yubei Chen. arXiv:2010.00029 (2020)

• 项目名称：复杂系统自动建模在大气污染预报与溯源中的应用
• 项目负责人：王硕（北京师范大学）

随着工业化与城市化进程的加快，大气污染成为当今世界面临的最严峻挑战之一。据世界卫生组织报道，全球每年约有700万人因大气污染而过早死亡。大气污染的溯源及预报能够有效地指导个人的出行及政府的决策，如工厂停产限产、车辆限行等，具有重要的意义。近年来，我国在大气污染防治方面投入了大量的人力物力，但严重的大气污染事件仍然频繁发生。为了促进该领域的研究，国家相继出台了一系列相关的政策。2017年，李克强总理批示设立专项资金，集中攻关雾霾形成机理与防治。2020年，国家自然科学基金委发布基金指南，鼓励从复杂性科学的视角，基于复杂系统的逻辑关系，构建可解释的人工智能新理论框架，解决数字地球大科学等方面的问题。

然而大气污染预报问题具有很大的挑战性，主要表现在以下几点：首先，大气污染是典型的复杂系统，污染物之间会产生复杂的化学反应，生成二次污染物，使得整个系统产生整体大于部分之和的效应；在时间和空间维度均存在长程相关性；此外，融入气象与环境专业的领域知识对该问题的研究至关重要。我们提出了将大气污染数据使用复杂网络的方法进行建模，基于 GNN 构建一个 end-to-end 的空气质量预报模型，其中模型的中间环节给出污染物的来源。

[1]空气污染如何损害我们的健康 https://www.who.int/zh/air-pollution/news-and-events/how-air-pollution-is-destroying-our-health

[2] Song, C. et al. 2019. Modeling Air Pollution Transmission Behavior as Complex Network and Mining Key Monitoring Station. IEEE Access. 7, (2019), 121245–121254. DOI:https://doi.org/10.1109/access.2019.2936613.

[3] Hu, J. et al. 2014. Spatial and temporal variability of PM 2.5 and PM 10 over the North China Plain and the Yangtze River Delta, China. Atmospheric Environment. 95, (2014), 598–609. DOI:https://doi.org/10.1016/j.atmosenv.2014.07.019.

[4] Chen, Z. et al. 2020. Influence of meteorological conditions on PM2.5 concentrations across China: A review of methodology and mechanism. Environment International. 139, (Jun. 2020), 105558. DOI:https://doi.org/10.1016/j.envint.2020.105558.

[5] https://www.epa.gov/cmaq

推荐阅读