在人工智能时代，人类复杂推理对于科学发现仍然至关重要，但可以通过可解释的人工智能利用人工智能系统来进行科学发现。具体而言，了解人工智能系统用于做出决策的数据可以与领域专家和科学家进行接触，并在给定的科学问题上产生不同或相同的观点。这些观点可能会引发进一步的科学调查，从而产生新的科学知识。这种方法可以满足应用科学中的可信度要求，如医学。
Jun, 2024
通过提出一种供应用于实证研究的模型和指南，旨在减少机器学习领域中研究实践的差异性，建立统一的质量标准，提高实证研究的一致性、可靠性和影响力。
May, 2024
我们警告人们对机器学习领域的经验研究常常存在着一种不完整的理解，这导致实验结果不可复制、发现不可靠，进而威胁到该领域的进展。为了克服这种令人担忧的情况，我们呼吁更多地意识到获得知识的多样性方式以及一些认识论上的限制。特别是，我们认为当前大部分经验机器学习研究实质上是确认性研究，而应该视为探索性研究。
本研究从算法设计到数据收集到模型评估的全过程，引起注意常见陷阱，并提供实用建议以改进机器学习，通过案例研究强调这些缺陷在实践中如何发生以及在哪里可以进行改进。
Nov, 2020
在这篇论文中，我们讨论了如何利用机器学习在自然科学中获得严谨性，通过猜想生成或通过强化学习进行验证，可以使用非严谨的方法得到严谨的结果。我们还描述了受神经网络理论启发的场论新方法，以及通过神经网络梯度下降诱导的黎曼度量流理论，其中包含了 Perelman 的黎曼流公式，该公式用于解决 3D Poincaré 猜想。
Feb, 2024
科学界利用机器学习技术进行科学探索的能力正在初生阶段，然而，机器学习的原理应用正在为基础科学发现开辟新的途径，尤其在处理观测数据的复杂性方面。
该论文将机器学习应用于自主飞行中的视觉着陆，并建立了一个模型无关且工具独立的认证框架，以解决机器学习模型的可信度与航空认证之间的挑战。
Oct, 2023
本文回顾了可解释的机器学习，探讨了在自然科学领域应用中的透明度、可解释性和解释性三个核心要素，并提供了结合应用领域的领域知识使用可解释的机器学习的最近科学作品的概述。
May, 2019
自动化整个科学方法论需要数据归纳的自动化以及实验从设计到实施的自动化，机器人科学家是将人工智能和实验室机器人相结合，具备进行真实世界实验检验假设的能力。本章探讨了机器人科学家在科学哲学中的基本原理，并将其活动与机器学习范式相对应，认为科学方法与主动学习有类似之处。我们使用以往机器人科学家的案例以及 Genesis 的案例进行实证，Genesis 是一种面向系统生物学研究的下一代机器人科学家，具备 1000 个计算机控制的微生物反应器的微流控系统和基于可控词汇和逻辑的可解释模型。
提出了一种综合的科学机器学习模型参数不确定性评估方法，考虑了多种可能的不确定性来源，验证了该方法的鲁棒性和一致性，并在聚合物反应器的软传感器开发中得到了实际应用。
Sep, 2022