近日，英特尔宣布与蒙特利尔学习算法研究所（MontrealInstituteofLearningAlgorithms，Mila）展开为期三年的战略研究与创新合作，来自双方的20余名研究人员将专注于开发先进的AI技术，用于应对气候变化、材料研发和数字生物学等领域的全球性挑战。
“
面对当前全球范围内的挑战，我们必须在学术界与产业界之间推动开放科学的文化，从而加速AI
应用以造福社会。此次，我们十分高兴能与英特尔展开合作，更加高效地探索用于改善碳捕获、加速药物研发以及助力未来可持续发展的新型材料。
——YoshuaBengioMila创始人兼科学主任
”
加速先进AI技术的研发以解决当今世界所面临的一系列极为关键且具有挑战性的问题，需要值得信赖的AI战略，以及扩展计算技术的能力。作为算力和AI领域的领军企业，英特尔和Mila均秉持以积极、强大的力量推动世界变革的理念，基于此，双方将进一步升级其于2021年启动的项目，增加合作方向并加强合作力度，从而推动成果落地。
“
要解决气候变化和新材料研发等复杂问题，需要深度的AI研究、具体领域的专业知识，以及先进的计算技术。此次与Mila的合作，将为研究人员提供关键洞察并有效推动技术创新。未来，我们也将与Mila携手，共同面对挑战，以科技之力为下一代创造一个美好的未来。
——KavithaPrasad
英特尔公司副总裁
兼数据中心、人工智能
和云计算执行与战略总经理
”
此次深化合作将重点关注：
自动化AI驱动的新材料研发
诸如密度泛函理论等化学模拟技术的进步，为模拟复杂材料系统的重要特性提供了途径。然而，这些技术受限于它们所能建模的材料系统的复杂性，这是因为当原子数量增加时，计算成本会大幅提升。以图神经网络（GNN）为代表的AI技术，有助于在近似化学模拟时显著降低计算成本，尤其是在系统规模增加的情况下。这意味着未来有可能利用AI模拟技术来复制更复杂的材料系统，无疑也将带来巨大的应用前景。值得注意的是，如果能发现新材料，亦将有助于降低成本和碳排放量。
英特尔将与Mila携手进行科技创新，以提高原子模拟（如OpenCatalyst数据集）的图神经网络性能。通过增强相关的技术管道，研究人员有望能够大规模使用原子材料数据。研究团队将创建基于学习的框架，以便在需要海量搜索的材料设计应用场景中能够进行有效查询。这些框架可以借鉴强化学习、搜索算法、生成模型以及其他机器学习算法（包括Mila开创的生成流网络）的理念。
将因果机器学习应用于气候科学
虽然基于物理学的标准气候模型可以帮助预测气候变化所带来的影响，但它们极其复杂且计算成本高昂。即使是在专用的超级计算机上，通常也需要运行几个月的时间，这降低了模拟的运行频率，也无法很好地提供精细、本地化的预测。此外，这些模型通常无法解释预测背后的推理或因果关系。基于此，英特尔与Mila希望填补这一空白，通过构建一种基于因果机器学习的新型气候模型模拟器,确定传统气候模型的高维输入数据中有哪些变量可以预测，旨在通过全面而可靠地预测气候变化的影响，在推动气候科学发展的同时为决策提供可靠的判断依据。
加速研究疾病的分子驱动因素和新药研发
新药研发是一个漫长的过程，每一种获批药物的平均成本是26亿美元。成本之所以如此高昂，是因为寻找能与特定靶标契合的小分子是一个危险且高度不确定的过程，并可能耗费超过十年的时间。而且，即便找到了一个分子，也有可能在后期失效。
英特尔和Mila的研究人员将携手合作，以更便捷地发现更好的候选药物分子。例如，预测复杂的表型——包括基于单核苷酸多态性(SNP)基因类型的疾病——一直是数字生物学长期以来面临的一个挑战，因为大多数表型受到整个基因组中诸多SNP的影响。因此，使用大规模人群数据，针对这类表型的所有相关SNP进行联合因果分析，是现阶段面临的主要计算挑战。精确解的搜索空间大小与SNP的数量成指数关系。在检测的SNP达到数百万个时，精确解在计算上难以处理。然而，随着高分辨率数据的可用性提升、突破性AI技术的出现以及摩尔定律推动的计算密度增长，英特尔和Mila计划开发AI技术，用于：
●了解疾病背后的分子驱动因素，预测复杂的表型，包括基于SNP基因类型的疾病。
●发现最有前景的药物分子。英特尔和Mila应用的全新AI技术有望显著降低成本并更快地将革命性药物推向市场。
英特尔公司，英特尔、英特尔logo及其它英特尔标识，是英特尔公司或其分支机构的商标。文中涉及的其它名称及品牌属于各自所有者资产。
