國(guó)家自然科學(xué)基金委員會(huì)現(xiàn)發(fā)布可解釋、可通用的下一代人工智能方法重大研究計(jì)劃2024年度項(xiàng)目指南，下面來(lái)看看詳細(xì)內(nèi)容，安徽地區(qū)有想要申報(bào)的，可以咨詢小編指導(dǎo)申報(bào)。

 

免費(fèi)咨詢：19855108130（手機(jī)/微信）

 

可解釋、可通用的下一代人工智能方法重大研究計(jì)劃面向人工智能發(fā)展國(guó)家重大戰(zhàn)略需求，以人工智能的基礎(chǔ)科學(xué)問(wèn)題為核心，發(fā)展人工智能新方法體系，促進(jìn)我國(guó)人工智能基礎(chǔ)研究和人才培養(yǎng)，支撐我國(guó)在新一輪國(guó)際科技競(jìng)爭(zhēng)中的主導(dǎo)地位。

 

一、科學(xué)目標(biāo)

本重大研究計(jì)劃面向以深度學(xué)習(xí)為代表的人工智能方法魯棒性差、可解釋性差、對(duì)數(shù)據(jù)的依賴性強(qiáng)等基礎(chǔ)科學(xué)問(wèn)題，挖掘機(jī)器學(xué)習(xí)的基本原理，發(fā)展可解釋、可通用的下一代人工智能方法，并推動(dòng)人工智能方法在科學(xué)領(lǐng)域的創(chuàng)新應(yīng)用。

 

二、核心科學(xué)問(wèn)題

本重大研究計(jì)劃針對(duì)可解釋、可通用的下一代人工智能方法的基礎(chǔ)科學(xué)問(wèn)題，圍繞以下三個(gè)核心科學(xué)問(wèn)題開展研究。

（一）深度學(xué)習(xí)的基本原理。

深入挖掘深度學(xué)習(xí)模型對(duì)超參數(shù)的依賴關(guān)系，理解深度學(xué)習(xí)背后的工作原理，建立深度學(xué)習(xí)方法的逼近理論、泛化誤差分析理論和優(yōu)化算法的收斂性理論。

（二）可解釋、可通用的下一代人工智能方法。

通過(guò)規(guī)則與學(xué)習(xí)結(jié)合的方式，建立高精度、可解釋、可通用且不依賴大量標(biāo)注數(shù)據(jù)的人工智能新方法。開發(fā)下一代人工智能方法需要的數(shù)據(jù)庫(kù)和模型訓(xùn)練平臺(tái)，完善下一代人工智能方法驅(qū)動(dòng)的基礎(chǔ)設(shè)施。

（三）面向科學(xué)領(lǐng)域的下一代人工智能方法的應(yīng)用。

發(fā)展新物理模型和算法，建設(shè)開源科學(xué)數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、物理模型庫(kù)和算法庫(kù)，推動(dòng)人工智能新方法在解決科學(xué)領(lǐng)域復(fù)雜問(wèn)題上的示范性應(yīng)用。

 

三、2024年度資助研究方向

（一）培育項(xiàng)目。

圍繞上述科學(xué)問(wèn)題，以總體科學(xué)目標(biāo)為牽引，對(duì)于探索性強(qiáng)、選題新穎、前期研究基礎(chǔ)較好的申請(qǐng)項(xiàng)目，將以培育項(xiàng)目的方式予以資助，研究方向如下：

 

1.神經(jīng)網(wǎng)絡(luò)的新架構(gòu)和新的預(yù)訓(xùn)練或自監(jiān)督學(xué)習(xí)方法。

針對(duì)圖像、視頻、圖、流場(chǎng)等數(shù)據(jù)，發(fā)展更高效的神經(jīng)網(wǎng)絡(luò)新架構(gòu)，預(yù)訓(xùn)練或自監(jiān)督學(xué)習(xí)方法，并在真實(shí)數(shù)據(jù)集上進(jìn)行驗(yàn)證。

 

2.深度學(xué)習(xí)的表示理論和泛化理論。

研究卷積神經(jīng)網(wǎng)絡(luò)（以及其它帶對(duì)稱性的網(wǎng)絡(luò)）、圖神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、低精度神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)、生成擴(kuò)散模型等模型的泛化誤差分析理論、魯棒性和穩(wěn)定性理論，并在實(shí)際數(shù)據(jù)集上進(jìn)行驗(yàn)證；研究無(wú)監(jiān)督表示學(xué)習(xí)、預(yù)訓(xùn)練-微調(diào)范式等方法的理論基礎(chǔ)，發(fā)展新的泛化分析方法，指導(dǎo)深度學(xué)習(xí)模型和算法設(shè)計(jì)。

 

3.深度學(xué)習(xí)訓(xùn)練算法的理論基礎(chǔ)。

研究神經(jīng)網(wǎng)絡(luò)損失景觀的結(jié)構(gòu)和訓(xùn)練算法的特性，包括但不限于：臨界點(diǎn)的分布及其嵌入結(jié)構(gòu)、極小點(diǎn)的連通性，穩(wěn)定性邊緣（edge of stability）和損失尖峰（loss spike）現(xiàn)象、算法的隱式正則化、穩(wěn)定性和收斂性；訓(xùn)練過(guò)程對(duì)于超參的依賴性問(wèn)題、神經(jīng)網(wǎng)絡(luò)記憶災(zāi)難、訓(xùn)練時(shí)間復(fù)雜度分析等問(wèn)題；發(fā)展卷積網(wǎng)絡(luò)、Transformer網(wǎng)絡(luò)、擴(kuò)散模型、混合專家模型等模型的收斂速度更快、時(shí)間復(fù)雜度更低的訓(xùn)練方法。

 

4.大模型的基礎(chǔ)問(wèn)題。

研究多任務(wù)、多數(shù)據(jù)、大模型的基礎(chǔ)問(wèn)題，包括但不限于大模型的表示理論和泛化理論、大模型訓(xùn)練的穩(wěn)定性、標(biāo)度率(scaling law)、涌現(xiàn)等現(xiàn)象；研究新型 (structured) state model的基礎(chǔ)性質(zhì)，包括它是否有記憶災(zāi)難(curse of memory)的困難；理解Transformer模型的表達(dá)和泛化能力、上下文學(xué)習(xí)（In-Context learning），Chain of Thoughts推理的有效性，以及模型的外推能力（例如length generalization）等。

 

5.微分方程與機(jī)器學(xué)習(xí)。

研究求解微分方程正反問(wèn)題及解算子逼近的概率機(jī)器學(xué)習(xí)方法；基于生成式擴(kuò)散概率模型的物理場(chǎng)生成、模擬與補(bǔ)全框架；基于微分方程設(shè)計(jì)新的機(jī)器學(xué)習(xí)模型和網(wǎng)絡(luò)結(jié)構(gòu)，加速模型的推理、分析神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程。

 

6.圖神經(jīng)網(wǎng)絡(luò)的新方法。

利用隨機(jī)游走、多項(xiàng)式近似、調(diào)和分析、粒子方程等數(shù)學(xué)理論解決深度圖神經(jīng)網(wǎng)絡(luò)過(guò)度光滑、過(guò)度擠壓、適用異配圖與動(dòng)態(tài)圖等問(wèn)題；針對(duì)藥物設(shè)計(jì)、推薦系統(tǒng)、多智能體網(wǎng)絡(luò)協(xié)同控制等重要應(yīng)用場(chǎng)景設(shè)計(jì)有效的、可擴(kuò)展的、具有可解釋性的圖表示學(xué)習(xí)方法。

 

7.人工智能的安全性問(wèn)題。

針對(duì)主流機(jī)器學(xué)習(xí)問(wèn)題，發(fā)展隱私保護(hù)協(xié)同訓(xùn)練和預(yù)測(cè)方法；發(fā)展面向?qū)箻颖尽?shù)據(jù)投毒、后門等分析、攻擊、防御和修復(fù)方法；研究機(jī)器學(xué)習(xí)框架對(duì)模型干擾、破壞和控制的方法；發(fā)展可控精度的隱私計(jì)算方法，數(shù)據(jù)和模型（包括大模型）的公平性、可靠性的評(píng)估與評(píng)級(jí)方法。

 

8.科學(xué)計(jì)算領(lǐng)域的人工智能方法。

針對(duì)電子多體問(wèn)題，建立薛定諤方程數(shù)值計(jì)算、第一性原理計(jì)算、自由能計(jì)算、粗粒化分子動(dòng)力學(xué)等的人工智能方法，探索人工智能方法在電池、電催化、合金、光伏等體系研究中的應(yīng)用。

針對(duì)典型的物理、化學(xué)、材料、生物、燃燒等領(lǐng)域的跨尺度問(wèn)題和動(dòng)力學(xué)問(wèn)題，發(fā)展物理模型與人工智能的融合方法，探索復(fù)雜體系變量隱含物理關(guān)系的挖掘方法和構(gòu)效關(guān)系的數(shù)學(xué)表達(dá)，建立具有通用性的跨尺度人工智能輔助計(jì)算理論和方法，解決典型復(fù)雜多尺度計(jì)算問(wèn)題。

 

9.以數(shù)據(jù)為中心的機(jī)器學(xué)習(xí)。

針對(duì)數(shù)據(jù)質(zhì)量、數(shù)量和效率等因素，發(fā)展機(jī)器學(xué)習(xí)方法為下游機(jī)器學(xué)習(xí)模型提供大量高質(zhì)量數(shù)據(jù)；針對(duì)AI for Science數(shù)據(jù)側(cè)，研究和設(shè)計(jì)高效的科學(xué)數(shù)據(jù)（如對(duì)蛋白質(zhì)和藥物構(gòu)圖）構(gòu)建和預(yù)處理方式；針對(duì)大模型數(shù)據(jù)側(cè)，從數(shù)據(jù)獲取成本和效率出發(fā)，建立科學(xué)和系統(tǒng)的數(shù)據(jù)質(zhì)量評(píng)估策略，設(shè)計(jì)高效的數(shù)據(jù)選擇方法，構(gòu)建有效的數(shù)據(jù)配比方式，并探索大模型輔助數(shù)據(jù)質(zhì)量提升的方法（如自動(dòng)數(shù)據(jù)標(biāo)注）。

 

10.基于量子計(jì)算的機(jī)器學(xué)習(xí)算法。

研究不同類型的學(xué)習(xí)方法如何映射到一般的量子過(guò)程，提出新算法利用量子特性實(shí)現(xiàn)高效學(xué)習(xí)；研究量子機(jī)器學(xué)習(xí)相對(duì)于經(jīng)典機(jī)器學(xué)習(xí)方法在表達(dá)能力以及泛化能力上的優(yōu)勢(shì)，探索量子機(jī)器學(xué)習(xí)的可解釋性，建立量子機(jī)器學(xué)習(xí)在量子物理和化學(xué)的應(yīng)用場(chǎng)景。

 

11.開放型項(xiàng)目。

與可解釋、可通用的下一代人工智能方法和AI for Science 領(lǐng)域相關(guān)的方法，重點(diǎn)支持在算法和模型方面的創(chuàng)新課題。

 

（二）重點(diǎn)支持項(xiàng)目。

圍繞核心科學(xué)問(wèn)題，以總體科學(xué)目標(biāo)為牽引，擬以重點(diǎn)支持項(xiàng)目的方式資助前期研究成果積累較好、對(duì)總體科學(xué)目標(biāo)在理論和關(guān)鍵技術(shù)上能發(fā)揮推動(dòng)作用、具備產(chǎn)學(xué)研用基礎(chǔ)的申請(qǐng)項(xiàng)目，研究方向如下：

 

1.下一代人工智能方法。

發(fā)展結(jié)合邏輯推理、知識(shí)和規(guī)則的人工智能方法，建立具有可解釋和可通用性的人工智能理論框架；發(fā)展適用于連續(xù)、密集數(shù)據(jù)（如圖像）和非結(jié)構(gòu)化數(shù)據(jù)（如分子結(jié)構(gòu)）的新型神經(jīng)網(wǎng)絡(luò)架構(gòu)，有效捕捉空間、結(jié)構(gòu)、語(yǔ)義等多維度的上下文信息，提高對(duì)數(shù)據(jù)的建模能力。在真實(shí)數(shù)據(jù)集上進(jìn)行驗(yàn)證。

 

2.新一代腦啟發(fā)的人工智能模型與有效訓(xùn)練算法。

針對(duì)大腦神經(jīng)元的物理形態(tài)和生物物理的多樣性，建立生物神經(jīng)元與人工神經(jīng)元之間的簡(jiǎn)潔且有效的映射關(guān)系，使人工神經(jīng)元具有生物神經(jīng)元的樹突非線性整合與計(jì)算功能，為建立其它類型生物神經(jīng)元與人工神經(jīng)元的映射提供統(tǒng)一的理論和算法框架。結(jié)合大腦神經(jīng)元網(wǎng)絡(luò)連接結(jié)構(gòu)、腦區(qū)異質(zhì)性和宏觀梯度等特點(diǎn)，設(shè)計(jì)帶生物神經(jīng)元特性約束的人工神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)記憶、決策等高級(jí)認(rèn)知功能。實(shí)現(xiàn)不少于3種生物神經(jīng)元與人工神經(jīng)元之間的有效映射和3種重要的樹突計(jì)算功能，與現(xiàn)有映射相比，實(shí)現(xiàn)精度、性能和參數(shù)可解釋性上的提升。

 

3.多智能體協(xié)作學(xué)習(xí)理論與方法。

針對(duì)多智能體協(xié)作時(shí)分布式數(shù)據(jù)處理所面對(duì)的挑戰(zhàn)，如泛化性能缺乏保障、適應(yīng)性和可擴(kuò)展性弱等難題，研究高效的多智能體協(xié)作學(xué)習(xí)理論與方法，具體包括：（1）研究提升多智能體協(xié)作學(xué)習(xí)系統(tǒng)泛化性能的算法，分析泛化誤差界；（2）針對(duì)動(dòng)態(tài)變化的環(huán)境和不斷擴(kuò)展的網(wǎng)絡(luò)規(guī)模，研究多智能體系統(tǒng)的適應(yīng)性和可擴(kuò)展性，確保智能體能夠有效學(xué)習(xí)并高效協(xié)作；（3）在多智能體系統(tǒng)中處理和融合多模態(tài)數(shù)據(jù)（如文本、圖像和傳感器數(shù)據(jù)）的方法，以增強(qiáng)學(xué)習(xí)效果和提升決策質(zhì)量；（4）研究在實(shí)時(shí)或近實(shí)時(shí)環(huán)境中的協(xié)作學(xué)習(xí)和決策策略，關(guān)注動(dòng)態(tài)和不確定環(huán)境下的應(yīng)急響應(yīng)和關(guān)鍵決策；（5）探究智能體的個(gè)性化學(xué)習(xí)策略，在保持個(gè)體優(yōu)勢(shì)的同時(shí)有效進(jìn)行集體學(xué)習(xí)和知識(shí)共享。

 

4.多模態(tài)融合及生成基礎(chǔ)模型。

研究多模態(tài)數(shù)據(jù)融合及生成的基礎(chǔ)模型，解決數(shù)據(jù)視角、維度、密度、采集和標(biāo)注難易程度不同而造成的融合難題；研究模態(tài)融合過(guò)程中的模態(tài)對(duì)齊問(wèn)題，保證模態(tài)預(yù)測(cè)的一致性并減少融合過(guò)程中信息損失；研究輕量級(jí)的融合模型，提升在模態(tài)間非完美對(duì)齊狀態(tài)下融合模型的魯棒性；研究用易采集、易標(biāo)注模態(tài)數(shù)據(jù)來(lái)引導(dǎo)難采集、難標(biāo)注模態(tài)數(shù)據(jù)的預(yù)訓(xùn)練與微調(diào)方法；研究大規(guī)模多任務(wù)、多模態(tài)學(xué)習(xí)的預(yù)訓(xùn)練問(wèn)題，實(shí)現(xiàn)少樣本/零樣本遷移，發(fā)展跨模態(tài)多樣性數(shù)據(jù)生成的方法；研究多模態(tài)大模型的新型、統(tǒng)一概率建模方法，解決離散、連續(xù)混合數(shù)據(jù)類型的概率建模與生成難題，提高多模態(tài)基礎(chǔ)模型的生成效率。在多模態(tài)模型中實(shí)現(xiàn)不少于3個(gè)模態(tài)的表示學(xué)習(xí)、對(duì)齊及生成能力，模型參數(shù)不少于7B，探索在智能座艙、自動(dòng)駕駛或多模態(tài)對(duì)話等領(lǐng)域的應(yīng)用驗(yàn)證。積累用于訓(xùn)練多模態(tài)大模型的優(yōu)質(zhì)標(biāo)注數(shù)據(jù)，并探索數(shù)據(jù)閉環(huán)，采集數(shù)量超過(guò)標(biāo)注樣本不少于2個(gè)量級(jí)的非完美標(biāo)注或無(wú)標(biāo)注數(shù)據(jù)，實(shí)現(xiàn)模型迭代優(yōu)化。

 

5.模型與數(shù)據(jù)融合的大模型訓(xùn)練方法。

探索系統(tǒng)性的、自適應(yīng)數(shù)據(jù)選取方法，以達(dá)到數(shù)據(jù)和模型的有機(jī)融合，包括：在模型訓(xùn)練過(guò)程中on-the-fly 選取下一步所采用的數(shù)據(jù)的方法；建立數(shù)據(jù)和模型有機(jī)融合的機(jī)器學(xué)習(xí)框架；發(fā)展替代大模型訓(xùn)練普遍采用的先處理數(shù)據(jù)、再做模型訓(xùn)練的兩步走模式的有效方法。

 

6.視頻原生的自監(jiān)督學(xué)習(xí)方法。

針對(duì)視頻數(shù)據(jù)既是時(shí)間序列又是圖像，但又不同于一般的時(shí)間序列和圖像的特點(diǎn)，充分利用視頻數(shù)據(jù)的屬性和特點(diǎn)，發(fā)展一套新的自監(jiān)督學(xué)習(xí)框架，類比針對(duì)時(shí)間序列的predict next token 的框架和針對(duì)圖像數(shù)據(jù)的填空框架，并在實(shí)際視頻數(shù)據(jù)集上加以驗(yàn)證。

 

7.支持下一代人工智能的通用型高質(zhì)量科學(xué)數(shù)據(jù)庫(kù)。

大規(guī)模高質(zhì)量科學(xué)數(shù)據(jù)是人工智能驅(qū)動(dòng)的科學(xué)研究新范式的必要條件。研究科學(xué)數(shù)據(jù)、科技文獻(xiàn)等的知識(shí)對(duì)象標(biāo)注、抽取、融合中的主動(dòng)學(xué)習(xí)機(jī)制與自動(dòng)關(guān)聯(lián)算法；研究面向知識(shí)對(duì)象的智能編碼與機(jī)器可識(shí)讀的多元解析，支持跨領(lǐng)域知識(shí)對(duì)象的廣譜關(guān)聯(lián)，實(shí)現(xiàn)與不少于3個(gè)國(guó)際主流科技資源標(biāo)識(shí)動(dòng)態(tài)互通，支持與外部數(shù)據(jù)資源智能化融合；研究多模態(tài)跨學(xué)科知識(shí)碎片對(duì)齊與知識(shí)對(duì)象識(shí)別方法，以及多學(xué)科領(lǐng)域數(shù)據(jù)自動(dòng)生產(chǎn)與增強(qiáng)算法，形成符合國(guó)際規(guī)范或經(jīng)同行評(píng)議的且覆蓋不少于8個(gè)學(xué)科領(lǐng)域的高質(zhì)量科學(xué)數(shù)據(jù)1PB以上。

 

8.AI for Science 的基礎(chǔ)設(shè)施建設(shè)與示范應(yīng)用。

發(fā)展AI for Science的基礎(chǔ)設(shè)施方法，包括：基礎(chǔ)物理模型的人工智能算法；高效率、高精度的實(shí)驗(yàn)表征算法；自動(dòng)化和智能化實(shí)驗(yàn)平臺(tái)建設(shè)；科學(xué)文獻(xiàn)和科學(xué)數(shù)據(jù)的整合與智能應(yīng)用。發(fā)展AI for Science的創(chuàng)新應(yīng)用，包括但不限于：復(fù)雜催化體系（催化劑動(dòng)態(tài)結(jié)構(gòu)變化、反應(yīng)網(wǎng)絡(luò)高度復(fù)雜等問(wèn)題）；碳達(dá)峰和碳中和中的核心催化反應(yīng)；工況條件下的電化學(xué)表征方法；生物醫(yī)學(xué)中的高效率和高精度的成像技術(shù)；有機(jī)合成的自動(dòng)化和智能化解決方案；定向進(jìn)化蛋白質(zhì)工程等。重點(diǎn)支持理論和實(shí)驗(yàn)相結(jié)合并形成閉環(huán)的項(xiàng)目。

 

四、項(xiàng)目遴選的基本原則

（一）緊密圍繞核心科學(xué)問(wèn)題，鼓勵(lì)基礎(chǔ)性和交叉性的前沿探索，優(yōu)先支持原創(chuàng)性研究。

（二）優(yōu)先支持面向發(fā)展下一代人工智能新方法或能推動(dòng)人工智能新方法在科學(xué)領(lǐng)域應(yīng)用的研究項(xiàng)目。

（三）重點(diǎn)支持項(xiàng)目應(yīng)具有良好的研究基礎(chǔ)和前期積累，對(duì)總體科學(xué)目標(biāo)有直接貢獻(xiàn)與支撐。

 

五、2024年度資助計(jì)劃

擬資助培育項(xiàng)目約25項(xiàng)，直接費(fèi)用資助強(qiáng)度不超過(guò)80萬(wàn)元/項(xiàng)，資助期限為3年，培育項(xiàng)目申請(qǐng)書中研究期限應(yīng)填寫“2025年1月1日－2027年12月31日”；擬資助重點(diǎn)支持項(xiàng)目約6項(xiàng)，直接費(fèi)用資助強(qiáng)度約為300萬(wàn)元/項(xiàng)，資助期限為4年，重點(diǎn)支持項(xiàng)目申請(qǐng)書中研究期限應(yīng)填寫“2025年1月1日－2028年12月31日”。

 

六、申請(qǐng)要求及注意事項(xiàng)

（一）申請(qǐng)條件。

本重大研究計(jì)劃項(xiàng)目申請(qǐng)人應(yīng)當(dāng)具備以下條件：

1. 具有承擔(dān)基礎(chǔ)研究課題的經(jīng)歷；

2. 具有高級(jí)專業(yè)技術(shù)職務(wù)（職稱）。

在站博士后研究人員、正在攻讀研究生學(xué)位以及無(wú)工作單位或者所在單位不是依托單位的人員不得作為申請(qǐng)人進(jìn)行申請(qǐng)。

 

（二）限項(xiàng)申請(qǐng)規(guī)定。

執(zhí)行《2024年度國(guó)家自然科學(xué)基金項(xiàng)目指南》“申請(qǐng)規(guī)定”中限項(xiàng)申請(qǐng)規(guī)定的相關(guān)要求。

 

（三）申請(qǐng)注意事項(xiàng)。

申請(qǐng)人和依托單位應(yīng)當(dāng)認(rèn)真閱讀并執(zhí)行本項(xiàng)目指南、《2024年度國(guó)家自然科學(xué)基金項(xiàng)目指南》和《關(guān)于2024年度國(guó)家自然科學(xué)基金項(xiàng)目申請(qǐng)與結(jié)題等有關(guān)事項(xiàng)的通告》中相關(guān)要求。

1. 本重大研究計(jì)劃項(xiàng)目實(shí)行無(wú)紙化申請(qǐng)。申請(qǐng)書提交日期為2024年4月15日－4月22日16時(shí)。

（1）申請(qǐng)人應(yīng)當(dāng)按照科學(xué)基金網(wǎng)絡(luò)信息系統(tǒng)中重大研究計(jì)劃項(xiàng)目的填報(bào)說(shuō)明與撰寫提綱要求在線填寫和提交電子申請(qǐng)書及附件材料。

（2）本重大研究計(jì)劃旨在緊密圍繞核心科學(xué)問(wèn)題，對(duì)多學(xué)科相關(guān)研究進(jìn)行戰(zhàn)略性的方向引導(dǎo)和優(yōu)勢(shì)整合，成為一個(gè)項(xiàng)目集群。申請(qǐng)人應(yīng)根據(jù)本重大研究計(jì)劃擬解決的核心科學(xué)問(wèn)題和項(xiàng)目指南公布的擬資助研究方向，自行擬定項(xiàng)目名稱、科學(xué)目標(biāo)、研究?jī)?nèi)容、技術(shù)路線和相應(yīng)的研究經(jīng)費(fèi)等。

（3）申請(qǐng)書中的資助類別選擇“重大研究計(jì)劃”，亞類說(shuō)明選擇“培育項(xiàng)目”或“重點(diǎn)支持項(xiàng)目”，附注說(shuō)明選擇“可解釋、可通用的下一代人工智能方法”，受理代碼選擇T01，根據(jù)申請(qǐng)的具體研究?jī)?nèi)容選擇不超過(guò)5個(gè)申請(qǐng)代碼。培育項(xiàng)目和重點(diǎn)支持項(xiàng)目的合作研究單位不得超過(guò)2個(gè)。

（4）申請(qǐng)人在申請(qǐng)書起始部分應(yīng)明確說(shuō)明申請(qǐng)符合本項(xiàng)目指南中的資助研究方向，以及對(duì)解決本重大研究計(jì)劃核心科學(xué)問(wèn)題、實(shí)現(xiàn)本重大研究計(jì)劃科學(xué)目標(biāo)的貢獻(xiàn)。

如果申請(qǐng)人已經(jīng)承擔(dān)與本重大研究計(jì)劃相關(guān)的其他科技計(jì)劃項(xiàng)目，應(yīng)當(dāng)在申請(qǐng)書正文的“研究基礎(chǔ)與工作條件”部分論述申請(qǐng)項(xiàng)目與其他相關(guān)項(xiàng)目的區(qū)別與聯(lián)系。

2. 依托單位應(yīng)當(dāng)按照要求完成依托單位承諾、組織申請(qǐng)以及審核申請(qǐng)材料等工作。在2024年4月22日16時(shí)前通過(guò)信息系統(tǒng)逐項(xiàng)確認(rèn)提交本單位電子申請(qǐng)書及附件材料，并于4月23日16時(shí)前在線提交本單位項(xiàng)目申請(qǐng)清單。

3. 其他注意事項(xiàng)。

（1）為實(shí)現(xiàn)重大研究計(jì)劃總體科學(xué)目標(biāo)和多學(xué)科集成，獲得資助的項(xiàng)目負(fù)責(zé)人應(yīng)當(dāng)承諾遵守相關(guān)數(shù)據(jù)和資料管理與共享的規(guī)定，項(xiàng)目執(zhí)行過(guò)程中應(yīng)關(guān)注與本重大研究計(jì)劃其他項(xiàng)目之間的相互支撐關(guān)系。

（2）為加強(qiáng)項(xiàng)目的學(xué)術(shù)交流，促進(jìn)項(xiàng)目群的形成和多學(xué)科交叉與集成，本重大研究計(jì)劃將每年舉辦1次資助項(xiàng)目的年度學(xué)術(shù)交流會(huì)，并將不定期地組織相關(guān)領(lǐng)域的學(xué)術(shù)研討會(huì)。獲資助項(xiàng)目負(fù)責(zé)人有義務(wù)參加本重大研究計(jì)劃指導(dǎo)專家組和管理工作組所組織的上述學(xué)術(shù)交流活動(dòng)。

（四）咨詢方式。

交叉科學(xué)部交叉科學(xué)一處

 

免費(fèi)咨詢：19855108130（手機(jī)/微信）

 

臥濤集團(tuán)，2012年成立，為企業(yè)提供全生命周期服務(wù)，如公司注冊(cè)、代理記賬、專利申請(qǐng)、軟著登記、商標(biāo)注冊(cè)、財(cái)稅籌劃、股權(quán)設(shè)計(jì)、項(xiàng)目申報(bào)、高企認(rèn)定、可研報(bào)告、商業(yè)計(jì)劃書、科技成果評(píng)價(jià)、百度首頁(yè)排名推廣、抖音運(yùn)營(yíng)等一站式服務(wù)，在安徽、江蘇、湖北、湖南、四川、陜西等地都有公司，10多年成功服務(wù)上萬(wàn)家企業(yè)，在業(yè)內(nèi)擁有良好口碑。