提升科學數(shù)據(jù)可用性，中科院張正德團隊提出基于智能體的 AI-Ready 數(shù)據(jù)加工和供給方案 原創(chuàng)
在當下的高能物理研究領域，前沿大科學裝置無刻不在生產(chǎn)著海量數(shù)據(jù)。當前所未有的數(shù)據(jù)洪流遠超傳統(tǒng)分析方法的處理極限，人工智能技術，尤其是機器學習和深度神經(jīng)網(wǎng)絡，迅速成為貫穿高能物理研究鏈條的核心工具。 AI 算法不僅能高效處理巨量原始數(shù)據(jù)，從數(shù)據(jù)中挖掘出隱含的、非線性的復雜模式與關聯(lián)，同時還在加速器運行優(yōu)化、探測器性能模擬、實驗觸發(fā)系統(tǒng)設計以及理論模型探索等方面展現(xiàn)出應用優(yōu)勢。人工智能方法的持續(xù)創(chuàng)新與深度整合，已成為推動高能物理未來發(fā)展的潛在動力。
在 2025 CCF 全國高性能計算學術大會上，高能物理研究所計算中心 AI4S 負責人張正德研究員在「AI-Ready 科學數(shù)據(jù)技術」專題論壇中，以「基于大模型的數(shù)據(jù)加工智能體進展與實踐」為題，從目前大裝置科學數(shù)據(jù)狀態(tài)出發(fā)，系統(tǒng)闡述了針對數(shù)據(jù)的高效、高質(zhì)量 AI-Ready 化構建方案，以及智能體和多智能體框架在數(shù)據(jù)標注和供給的應用。
HyperAI 超神經(jīng)在不違原意的前提下，對張正德老師的演講分享進行了整理匯總，以下為演講實錄。
AI-Ready 數(shù)據(jù)與科學數(shù)據(jù)現(xiàn)狀
在 AI4S 算法開源的背景下，數(shù)據(jù)已成為最關鍵的核心問題。 AI4S 要求數(shù)據(jù)具備統(tǒng)一規(guī)范以實現(xiàn)高效分析，雖然來自大科學裝置的數(shù)據(jù)普遍具有統(tǒng)一的格式與存儲架構，但實際來看，大部分科學數(shù)據(jù)并不是 AI-Ready 的。
高能物理領域產(chǎn)生的大規(guī)模數(shù)據(jù)，不僅對數(shù)據(jù)的采集、處理、加工與融合技術提出了要求，同時也為發(fā)展 AI 方法提供了重要資源。今天報告中提到的數(shù)據(jù)類型，不僅包括實驗數(shù)據(jù)，還涵蓋模擬數(shù)據(jù)、裝置運行數(shù)據(jù)、語料數(shù)據(jù)。
AI-Ready 數(shù)據(jù)集的通用定義，是能夠被高效、安全可復現(xiàn)的用于訓練、評估和部署機器學習和人工智能的數(shù)據(jù)集合。高質(zhì)量 AI-Ready 數(shù)據(jù)具備 10 個特征：
* 任務適配。與目標場景、任務強相關，需具備覆蓋面和代表性；
* 高質(zhì)量與一致性。準確、完整、一致，去重，噪聲可控；
* 符合本體與標注要求，具有高質(zhì)量標簽、層次、本體映射關系，標注有審計；
* 工程可用。機器可讀，如具備標準格式、合理分片/分桶、可流式、可并行；
* 可評估且可復用。嚴格劃分訓練、測試、驗證數(shù)據(jù)，基準集具有明確、合理的評價指標；
* 元數(shù)據(jù)和豐富性。涵蓋元數(shù)據(jù)的采集方式、時間、設備系統(tǒng)、上下文、版本等信息；
* 數(shù)據(jù)偏差控制。如采樣偏差、標簽偏差、歷史偏差；
* 可獲取。穩(wěn)定訪問接口，文檔與示例；
* 合理合規(guī)。許可和使用權、隱私保護、最好 PII；
* 安全可靠。加密（傳輸/靜態(tài)）、最小權限、秘鑰管理等。
在實際研究中，數(shù)據(jù)不僅用于訓練模型，還必須能夠支持模型評估，因此數(shù)據(jù)集需建立相應的評估指標，例如準確率、召回率和 F1 分數(shù)等。然而，這類指標在一些任務（如分類）中可通用，卻難以有效適用于回歸等問題，這對 AI-Ready 數(shù)據(jù)集的質(zhì)量提出了更高要求和挑戰(zhàn)。
目前，一個合格的 AI-Ready 數(shù)據(jù)集除包含本體數(shù)據(jù)與標注數(shù)據(jù)之外，還應提供元數(shù)據(jù)，其中包括對 AI 任務的描述等信息。更重要的是，AI-Ready 數(shù)據(jù)集需與有價值的 AI 任務直接關聯(lián)。以光源為例，其 AI 應用應能夠有效支持成像、譜學、衍散射等具體科學任務。
光源 AI 應用與 AI-Ready 數(shù)據(jù)集任務支持示意圖
接下來我用 2 個例子來說明什么樣的數(shù)據(jù)集是 AI-Ready 的數(shù)據(jù)集。例如納米纖維取向預測 AI 數(shù)據(jù)集，它有明確的 AI 任務，即在輸入廣角衍射譜后直接預測納米纖維的取向參數(shù)。構建這樣一個數(shù)據(jù)集，需要模擬數(shù)據(jù)和實驗數(shù)據(jù)共同作用。
納米纖維取向預測 AI 訓練數(shù)據(jù)集結構 [1]
又比如，疊層成像快速重建 AI 數(shù)據(jù)集能夠完成輸入衍射圖樣，預測相位和振幅，計算得到重建圖像的 AI 任務，完成重建圖像過程中涉及到的大量計算。該架構中包含 2 個分支，分別預測相位和振幅，其真值通過科學計算迭代算法和高投影數(shù)計算得到。
疊層成像快速重建 AI 數(shù)據(jù)集及其計算流程圖 [2]
將智能體技術用于數(shù)據(jù)加工
智能體（Agent）的定義與人工智能的最初定義非常接近，指能夠依據(jù)其知識、程序、環(huán)境與輸入信息，代表用戶自主做出決策或執(zhí)行動作的軟件或系統(tǒng)。
雖然智能體與自動化技術有相似之處，但后者通常依賴固定流程運作，而智能體與傳統(tǒng)自動化不同，尤其適合處理確定性規(guī)則無法有效覆蓋的工作流程，能夠處理傳統(tǒng)基于規(guī)則的計算方法難以勝任的任務。智能體并非適用于所有場景，其有效性高度依賴于具體任務環(huán)境，需充分考慮決策和處理的復雜性，因此，構建智能體需重新思考系統(tǒng)應如何應對復雜決策過程。
智能體的大腦是大模型，所以智能體與大模型的關系實際上是包含關系。智能體與大模型的不同在于，其包含了感知層、執(zhí)行層、記憶層和處理中樞等架構，能夠?qū)W會領域?qū)I(yè)知識、科學分析工具、感知數(shù)據(jù)和元數(shù)據(jù)、編寫代碼和執(zhí)行程序、任務規(guī)劃以及角色分配和協(xié)同等。
智能體架構
同時，單智能體和多智能體的應用場景也有所不同。一般來說，單智能體搭載單個工具，當搭載的工具數(shù)量增加時，選擇工具的時候準確率就會下降，此時可以通過多智能體以避免混淆。
Open Dr.Sai 智能體和多智能體框架和應用 [3]
基于標注工具的 AI-Ready 數(shù)據(jù)標注精度高但人工參與度高，基于智能體的 AI-Ready 數(shù)據(jù)標注則自動化程度高，效率高，同時可提供數(shù)據(jù)信息理解和輔助，適合學科交叉領域研究，但是初始精度可能相對較低，需要通過持續(xù)學習和反饋機制不斷改進標注精度。目前，很多基于標注工具的標注已經(jīng)逐漸向「搭載智能體模塊+人機交互+智能輔助+審核系統(tǒng)+數(shù)據(jù)庫」的模式過渡。
應用于光源場景的數(shù)據(jù)智能體
我們團隊做的數(shù)據(jù)智能體主要應用于光源（HEPS）/中子源（CSNS）場景，支持數(shù)據(jù)的加工和供給。智能體的上游是 Domas 數(shù)據(jù)管理系統(tǒng)（Data Management System），Domas 的上游是大數(shù)據(jù)裝置的采集系統(tǒng)，采集系統(tǒng)上游是探測器本身。
有關數(shù)據(jù)智能體的更多信息：
??https://github.com/hepaihub/drsai??
HepAI 平臺鏈接：
該智能體工作流程分為 5 步：
* 接入 Domas，獲得包括實驗數(shù)據(jù)、元數(shù)據(jù)在內(nèi)的數(shù)據(jù)信息；
* 基于所獲數(shù)據(jù)更新知識庫；
* 智能體根據(jù)具體任務進一步感知數(shù)據(jù)，通過數(shù)據(jù)格式轉(zhuǎn)換和執(zhí)行命令完成數(shù)據(jù)交互；
* 調(diào)用多種科學計算工具對數(shù)據(jù)進行加工處理；
* 將數(shù)據(jù)輸入執(zhí)行器推動任務執(zhí)行，并將輸出結果反向輸入 Domas 。
智能體架構演示
目前，該智能體已經(jīng)可以用于構建跨裝置的 X 射線衍射和中子粉末衍射實驗和模擬的 AI 數(shù)據(jù)集、構建對分布函數(shù)（PDF）的實驗-仿真融合數(shù)據(jù)集。
跨裝置 X 射線和中子粉末衍射實驗和模擬人工智能數(shù)據(jù)集
對分布函數(shù)（PDF）的構建實驗-仿真融合數(shù)據(jù)集
AI 驅(qū)動的科學發(fā)現(xiàn)系統(tǒng)
之所以把智能體技術用于數(shù)據(jù)處理方面，是因為 AI4S 已經(jīng)逐漸成為發(fā)展趨勢。 AI 有助于高能物理的研究發(fā)現(xiàn)，但是對數(shù)據(jù)有要求，因此我們采用了「AI4Data」到「Data4AI」的策略，利用 AI 將原始數(shù)據(jù)轉(zhuǎn)化為 AI-Ready 的形式，以促進成果研發(fā)，構建 AI 驅(qū)動的科學發(fā)現(xiàn)系統(tǒng)。
「AI4Data」與「Data4AI」示意圖
關于張正德研究員及其團隊
張正德博士是中國科學院高能物理研究所特聘青年研究員，畢業(yè)于中國科學院上海應用物理研究所，粒子物理與原子核物理理學博士，主要研究方向為面向科學發(fā)現(xiàn)的 AI 算法、大模型及智能體，涵蓋深度學習算法、面向科學數(shù)據(jù)的大模型、人工智能平臺和軟件系統(tǒng)等，主要目標為推動 AI 在粒子物理、粒子天體物理、同步輻射、中子科學和加速器領域的應用。
目前，張正德研究員已在 GitHub 上發(fā)布了 6 個具有代表性的開源項目，發(fā)展了 CDNet 、 FINet 、 MWNet 等神經(jīng)網(wǎng)絡，研發(fā)了高能·溪悟大語言模型和「賽博士」科研智能體，并規(guī)劃和建設了高能物理人工智能平臺 HepAI[4]，同時主持了多項重要科研項目，包括「從 0 到 1 項目-AI 大模型驅(qū)動高能物理科學發(fā)現(xiàn)的研究」和「基于人工智能的高能物理大數(shù)據(jù)技術研究與示范」等。
參考文獻：
??[3] hepai-group. (n.d.). Open drsai [Computer software]. GitHub. https://github.com/hepaihub/drsai??
??[4] hepai-group. (n.d.). HepAI Platform. https://ai.ihep.ac.cn??
一鍵獲取 2023—2024 年 AI4S 領域高質(zhì)量論文及深度解讀文章 ??
