博文

最新 | 2020研究前沿及热点解读

已有 6362 次阅读 2020-11-16 15:29 |个人分类:最新资讯|系统分类:博客资讯

11月13日，中国科学院科技战略咨询研究院、中国科学院文献情报中心与科睿唯安联合发布《2020研究前沿》报告和《2020研究前沿热度指数》报告，该系列报告通过大数据和文献计量分析方法，聚类揭示了基础科学领域的年度热点前沿和新兴前沿，已成为中国科学院国家高端科技智库的品牌成果，为决策者和专业人员服务。小编特选取"信息科学"学科热点前沿发展态势及重点热点前沿解读，供大家参考。

温馨提示：IJAC微信对话框回复"前沿"即可获取《2020研究前沿》及《2020研究前沿热度指数》完整版PDF。

信息科学领域位居前10位的热点前沿主要集中于深度学习和强化学习、移动边缘计算、无人机通信、图像处理、长距离连续变量量子密钥分配等方向(表52)。深度学习和强化学习方向连续入选本领域的热点前沿或新兴前沿，其中，"基于深度卷积神经网络的脑肿瘤图像分割研究"入选2019年新兴前沿，2020年入选热点前沿，"AlphaGo Zero 的强化学习算法"首次入选热点前沿。

"无人机无线通信网络、传输保密和轨迹优化研究"连续两年入选热点前沿。图像处理方向"基于混沌的图像加密研究"曾入选2018年热点前沿，2020年再次入选。"基于智能卡、密码和生物特征标识的用户认证和密钥协商方案"是2018年热点前沿"基于智能卡、生物特征等的远程用户认证方案及其相关技术"的延续。"无线移动边缘计算研究"、"长距离连续变量量子密钥分配"以及"使用lme4拟合线性混合效应模型"均首次入选热点前沿。

移动边缘计算(Mobile Edge Computing，MEC)最初由欧洲电信标准协会(ETSI)提出，是基于5G演进的架构，并将移动接入网与互联网业务深度融合的一种技术。MEC一方面可以改善用户体验，节省带宽资源，另一方面通过将计算能力下沉到移动边缘节点，提供第三方应用集成，为移动边缘入口的服务创新提供了无限可能。MEC将会提供一个强大的平台解决未来网络的延迟、拥塞和容量等问题。在5G时代，MEC的应用范围将延伸至交通运输系统、智能驾驶、实时触觉控制、增强现实等领域。MEC研究的主要内容有任务卸载模型、计算资源分配、大规模MEC系统部署、MEC的安全性问题等。

热点前沿"无线移动边缘计算研究"包含18篇核心论文，聚焦在5G异构网络中移动边缘计算的节能卸载、移动边缘计算卸载的节能资源分配、无线移动边缘计算的计算速率最大化、无线移动边缘计算系统中的联合卸载和计算优化等方面。

中国主导或参与了该前沿大部分的研究工作。从核心论文的机构分布看，西安电子科技大学、香港大学、香港科技大学、哈马德·本·哈利法大学、重庆邮电大学、中国科学院6个机构并列第一。

从施引论文的角度来看(表54)，中国的施引论文最多，达694篇，占全部施引论文的65.4%。美国的施引论文位列第二位。施引论文Top 10机构除了并列第十的韩国庆熙大学、加拿大卡尔顿大学之外全部来自中国。

强化学习是机器学习的一个分支，作为解决序贯决策问题的重要方法，智能体不断地与环境交互，通过试错的方式来获得最佳策略，这与人类的经验学习和决策思维方式相契合。经典应用案例有棋类游戏、机器人学习站立和走路、无人驾驶、机器翻译、人机对话等。直接从视觉和语言等高维感官输入中学习控制策略，是强化学习的长期挑战之一。随着深度学习在视觉和语音等领域取得突破性进展，将深度神经网络引入到强化学习中，极大地提升了强化学习算法的效率和能力，使强化学习的研究进入了新的阶段。

Google DeepMind公司的AlphaGo就是深度强化学习的代表，而AlphaGo Zero则在没有任何人类专业知识输入的前提下战胜了前者，是纯强化学习的杰出代表。2013年，DeepMind首次提出"利用强化学习从高维输入中直接学习控制策略"的深度学习模型――深度Q网络(DQN)。

2015年，DeepMind在《Nature》上发文"利用深度强化学习算法实现人类水平的控制"，介绍了改进版的DQN。此文是深度强化学习的经典之作，也是本研究前沿的三篇核心论文之一，在WoS平台上的被引频次已达3000余次。2016年3月，AlphaGo在与世界围棋冠军李世石的对战当中，以4:1的大比分取胜。在DeepMind于当年1 月发表在《Nature》上的"用深度神经网络和树搜索实现围棋游戏"文章中，详细介绍了AlphaGo利用"价值网络"来评估棋局，利用"策略网络"来选择落子位置，并使用树搜索算法搜索胜率最大的走法。而对这些深度神经网络的训练是由对围棋高手下过棋局的监督学习，以及自我博弈棋局的强化学习共同完成的。2017年，DeepMind在《Nature》上发表题为"无师自通――在不借助人类知识的情况下学会围棋"的论文，介绍了AlphaGo Zero使用纯强化学习，将"价值网络"和"策略网络"整合为一个架构，从零开始3天训练后以100比0击败了与李世石对弈的AlphaGo，40天训练后以89比11战胜了AlphaGo Master。这一系统的成功也是朝向人工智能研究长期以来的目标――创造出在没有人类输入的条件下，在最具挑战性的领域实现超越人类能力的算法――迈进的一大步。上述3篇文章构成了本研究前沿的核心论文集。