اعلام فراخوان «حمایت از طرح‌های پژوهشی پایه و بنیادی هوش مصنوعی»

درباره فراخوان

هوش مصنوعی یکی از مهمترین فناوری‌های تحول‌آفرین در عصر حاضر است که با رشد سریع و دستاوردهای چشمگیر خود در یک دهه گذشته توجه پژوهشگران، صنعت‌گران و سیاستمداران را بیش از پیش به خود جلب کرده است. توسعه سریع و اثرگذار راهکارهای مبتنی بر هوش مصنوعی برای حل چالش‌ها و مسائل مطرح در حوزه‌های مختلف نظیر بهداشت و سلامت، اتوماسیون صنعتی، بازارهای مالی، کشاورزی، نظارت و امنیت، آموزش و سایر حوزه‌ها، بیانگر ظرفیت بالای این حوزه از علم برای بهبود و ارتقای زندگی بشر است و لزوم برنامه‌ریزی منسجم و همه‌جانبه به منظور رشد و پیشرفت در این حوزه را به‌خوبی آشکار می‌سازد.

محدودیت در سه بخش منابع پردازشی، داده‌های آموزشی و ظرفیت یادگیری مدل‌های موجود از یک‌سو و هزینه‌بر بودن برخی راهکارهای مبتنی بر هوش مصنوعی از سوی دیگر از جمله دلایلی هستند که تاکنون مانع استفاده کامل از کلیه ظرفیت‌های بالقوه هوش مصنوعی در صنعت شده‌اند. با این وجود اغلب پیش‌بینی‌ها از رشد سریع این شاخه از علم و تاثیرگذاری آن در اقتصاد و قدرت کشورها در آینده نزدیک خبر می‌دهد.

این فراخوان که دومین برنامه حمایتی بنیاد ملی علم ایران از پژوهش‌های پایه‌ای و بنیادین حوزه هوش مصنوعی است با همکاری ستاد توسعه فناوری و کاربرد هوش مصنوعی و با هدف تشویق پژوهشگران داخلی جهت توسعه مدل‌های جدید، توجه به مباحث بنیادین حوزه هوش مصنوعی و به‌کارگیری ابزارهای توسعه داده شده در این حوزه به‌منظور ارائه راه حل برای مسائل و چالش‌های اصلی کشور اعلام می‌گردد.

در ارزیابی و داوری پیشنهاده‌های ارسالی به این فراخوان، علاوه‌بر سابقه فعالیت پژوهشی متقاضی در حوزه مربوطه، به میزان نوآوری و کاربردی بودن نتایج تحقیقات توجه خواهد شد. لازم به ذکر است که هر چند کاربردی بودن نتایج در این برنامه اهمیت دارد اما طرح‌هایی که صرفاً جنبه کاربردی داشته باشند مشمول این فراخوان نیستند و طرح‌های ارسالی می‌بایست حتما نوآوری قابل توجهی در مباحث بنیادین هوش مصنوعی داشته باشند.

حوزه‌های اولویت‌دار

طرح‌های پژوهشی در حوزه‌های تخصصی زیر در اولویت پذیرش فراخوان قرار دارند. لازم به ذکر است درخواست‌های ارسالی مرتبط با کلیه موضوعات مطرح در تحقیقات پایه و بنیادین هوش مصنوعی خارج از عناوین ذکر شده نیز در صورت داشتن نوآوری قابل ملاحظه مورد بررسی قرار خواهند گرفت.

۱- هوش مصنوعی قابل اعتماد (Trustworthy AI)

هدف تحقیقات در این حوزه، توسعه مدل‌های قابل اعتماد در هوش مصنوعی است. به‌طور خاص می‌توان به توسعه مدل‌های امن(safe)، ایمن (secure) و قابل تفسیر )(interpretable در این حوزه اشاره کرد؛ مدل‌هایی که خروجی‌های غیرقابل قبول و به‌طور مشخص آسیب‌رسان تولید نکنند، در مقابل حملات و ورودی‌های خصمانه مقاوم باشند و بتوان رفتار آن‌ها را تفسیر کرد. کلیه تحقیقات در حوزه حملات خصمانه (adversarial attacks) و دفاع در برابر آن‌ها و هر گونه تلاش برای تفسیر رفتار مدل‌های مختلف در این بخش از تحقیقات قرار می‌گیرد. توجه به حق کپی رایت، حفظ حریم خصوصی کاربران و توجه به جنبه‌های اجتماعی مدل‌های هوش مصنوعی در کنار جنبه‌های فنی آن‌ها از جمله دیگر مسائل مورد توجه در این بخش است.

۲- یادگیری تقویتی عمیق

یادگیری تقویتی عمیق Deep Reinforcement Learning)) ترکیبی از الگوی یادگیری تقویتی و مدل‌های عمیق است و ابزاری برای یادگیری تصمیم‌گیری درست در طول زمان برای رسیدن به یک هدف مشخص را فراهم می‌کند. عدم وابستگی این مکانیزم یادگیری به داده‌های آموزشی آن را به گزینه مناسبی برای یادگیری بسیاری از کارهای پیچیده تبدیل کرده است و به عقیده بسیاری از محققان یکی از حوزه‌های توسعه هوش مصنوعی در سال‌های آینده خواهد بود. در سال‌های اخیر موفقیت مدل‌های یادگیری تقویتی در مدل‌های زبانی بر اهمیت این حوزه یادگیری ماشین افزوده است. با این وجود چالش‌های این حوزه نظیر دشواری پیمایش مؤثر فضای ورودی و تعمیم رفتارهای مطلوب به محیط‌های جدید مانع از به‌کارگیری کامل این مدل‌های در بسیاری از مسائل دنیای واقعی شده است. هرگونه تلاش به‌منظور بهبود عملکرد یا رفع چالش‌های یادگیری تقویتی عمیق در این حوزه از فراخوان قرار می‌گیرد. علاوه‌بر این، رویکردهای مختلف یادگیری تقویتی نظیر یادگیری تقویتی تعاملی )Interactive RL)، یادگیری تقویتی تقلیدی Imitation learning)) یا یادگیری تقویتی با استفاده از بازخوردهای انسانی )RLHF) نیز از عناوین مورد توجه در این حوزه پژوهشی است.

۳- مدل‌های شناختی

سیستم عصبی و مغز انسان همواره الهام‌بخش توسعه مدل‌های مختلف محاسباتی در هوش مصنوعی بوده است. علوم شناختی که بر مطالعه مغز انسان و نحوه بازنمایی و دستکاری دانش در ذهن انسان متمرکز است می‌تواند کمک بسیاری در این حوزه نماید. هدف از تحقیقات در این حوزه توسعه مدل‌های جدید یا بهبود مدل‌های موجود در هوش مصنوعی با استفاده از دانش به دست آمده در حوزه علوم شناختی است. پژوهش‌های انجام گرفته در این بخش ممکن است با برخی عناوین دیگر مطرح شده در این فراخوان هم‌پوشانی داشته باشد و به‌عنوان مثال مبنایی برای توسعه الگوهای نوین یادگیری یا معماری‌های جدید برای مدل‌های هوش مصنوعی باشد.

۴- هوش مولد

هوش مولد در یک دهه گذشته رشد و پیشرفت شگرفی داشته است و مدل‌های توسعه‌یافته در حوزه‌های تصویر، ویدئو، متن و صوت بارها مخاطبان را شگفت‌زده کرده است. هدف مدل‌های این حوزه تولید داده‌هایی مشابه داده‌های واقعی است. در حوزه تصویر نسل‌های مختلفی از مدل‌های مولد شامل خودکدگذار تغییراتی(VAE)، شبکه مولد تقابلی (GAN)، جریان‌های نرمال‌ساز (NFs)، و مدل‌های پخشی (Diffusion) و همچنین مدل‌های بازسازی سه بعدی نظیر NeRF ارائه شده‌اند. در حوزه متن نیز مدل‌های زبانی بزرگ و چت‌بات‌های مبتنی‌بر ترنسفورمرها موفقیت‌های بسیاری کسب کرده‌اند. بهبود کیفیت داده‌های تولید شده، کاهش زمان استنتاج و تولید داده، امکان آموزش با مجموعه داده‌های محدود و کنترل بیشتر بر روی داده‌های تولید شده از جمله اهداف اصلی در توسعه این مدل‌ها است. ایجاد مدل‌های شرطی و درک بهتر فضای پنهان این مدل‌ها به‌منظور دستکاری ویژگی‌های داده‌های تولیدی از جمله اهداف دیگری است که توسط محققان این حوزه دنبال می‌شود.

۵- الگوهای نوین یادگیری

یادگیری بانظارت، یادگیری بدون نظارت، و یادگیری تقویتی سه الگوی یادگیری سنتی در هوش مصنوعی هستند. بسیاری از مسائل دنیای واقعی با استفاده از یادگیری بانظارت که وابسته به داده‌های برچسب خورده است حل می‌شوند. هزینه بالای برچسب‌زنی، نیاز مدل‌های عمیق به تعداد زیاد داده برچسب خورده و حجم بالای داده‌های بدون برچسب موجود در کاربردهای مختلف، باعث به وجود آمدن پارادایم‌های یادگیری جدیدی نظیر مدل‌های خودنظارتی (self-supervised) شده است که در آن‌ها یادگیری استخراج ویژگی با تبدیل خودکار داده‌های بدون برچسب به داده‌های برچسب‌خورده انجام می‌شود. رویکردهای یادگیری نیمه‌نظارتی )semi-supervised( و یادگیری با تعداد نمونه کم )(few-shot از جمله رویکردهای دیگری هستند که با ترکیب روش‌های یادگیری بانظارت و خودنظارتی سعی در غلبه بر مشکل تعداد داده‌های آموزشی کم دارند. حفظ دانش قبلی یک مدل آموزش‌دیده در صورت مشاهده داده‌های آموزشی جدید و یادگیری مستمر از جمله مباحث جذاب دیگر در این حوزه هستند. در سوی مقابل، پاک کردن بخشی از دانشی که یک مدل قبلاً یاد گرفته است، بدون آسیب دیدن سایر بخش‌ها، از مسائل پژوهشی دیگر مطرح در این شاخه است. در مجموع، کلیه کارهای تحقیقاتی مرتبط با الگوها و روش‌های یادگیری در این حوزه از فراخوان قرار می‌گیرد.

۶- معماری‌های جدید شبکه‌های عصبی عمیق

یکی از مهمترین شاخه‌های تحقیقاتی در حوزه یادگیری عمیق، مطالعه معماری شبکه‌های عصبی و تلاش برای ارائه معماری‌های جدید بوده است. از تحقیق روی روش‌های جستجوی پارامترهای بهینه یک معماری شناخته شده تا ارائه معماری‌های جدید در این حوزه از تحقیقات قرار می‌گیرد. بسیاری از پیشرفت‌های حاصل در حوزه یادگیری عمیق مرهون معماری‌های کارآمد توسعه داده شده نظیر شبکه‌های کانولوشنی، شبکه‌های عصبی بازگشتی، شبکه‌های ترنسفورمری، شبکه‌های کپسولی و شبکه‌های عصبی گرافی است. بدیهی است در آینده نیز انتظار می‌رود با ارائه معماری‌های جدیدی یا بهبود ساختارهای موجود شاهد رشد و پیشرفت در این حوزه باشیم. طراحی شبکه‌های عصبی سبک به‌منظور اجرا بر روی سخت‌افزارهای خاص‌منظوره و با توان پردازشی کم نیز از جمله اهداف دیگری است که در این حوزه دنبال می‌شود.

۷- فشرده‌سازی مدل‌ها و کاهش نیاز پردازشی

یکی از مهمترین چالش‌ها در استفاده از هوش مصنوعی در کاربردهای مختلف حجم بالای حافظه و پردازش مورد نیاز مدل‌های مورد استفاده است. امکان استفاده از کارت‌های گرافیکی با توان پردازشی بالا در اغلب وسایلی که در زندگی روزانه به‌کار گرفته می‌شوند وجود ندارد و این امر مانع بزرگی در توسعه هوش مصنوعی به این دستگاه‌ها است. فشرده‌سازی مدل‌ها به گونه‌ای که با کمترین افت دقت امکان اجرای آن‌ها بر روی تجهیزات با توان پردازشی کم فراهم شود هدف تحقیقاتی این حوزه است.

۸- مدل‌های زبانی و مدل‌های چندوجهی بزرگ

مدل‌های زبانی بزرگ (LLMs)، زیرمجموعه‌ای از هوش مصنوعی هستند که با استفاده از یادگیری عمیق و شبکه‌های عصبی، توانایی درک، تولید و تحلیل زبان انسان را دارند. در سال‌های اخیر پژوهش در حوزه مدل‌های زبانی بزرگ از حالت سنتی مقیاس کردن مدل براساس تعداد پارامترها، داده‌های آموزشی، تعداد لایه‌ها و ... فراتر رفته و به سمت بهبود و بهینه‌سازی قابلیت‌های استدلال، سازگاری، کارایی و اخلاق‌مداری سوق پیدا کرده است. هرگونه پژوهش در راستای بهبود مکانیزم‌های استدلال، تطبیق و یادگیری با داده‌های محدود، کارایی محاسباتی، معماری مدل و جنبه‌های شفافیت و قابلیت اعتماد این مدل‌ها، می‌تواند به‌عنوان یک حوزه تحقیقاتی جذاب مورد توجه قرار گیرد.

علاوه‌بر مدل‌های زبانی بزرگ، مدل‌های چندوجهی که همزمان با داده‌های ورودی متنوعی از قبیل متن، تصویر و صوت عمل می‌کنند نظیر مدل‌های بصری-زبانی (VLMs)، مدل‌های بصری-زبانی-عملی (VLAMs( و مدل‌های صوتی-تصویری-زبانی AVLMs)(  از جمله رویکردهای جدید در این حوزه هستند که در این فراخوان پوشش داده می‌شوند.

۹- هوش مصنوعی عامل‌محور

هوش مصنوعی عامل‌محور از جمله داغ‌ترین حوزه‌های پژوهشی اخیر است که به‌سرعت از سیستم‌های منفرد به سمت سیستم‌های چندعاملی )Multi-Agent Systems) با قابلیت‌های برنامه‌ریزی، حافظه و همکاری پیش می‌رود. این عامل‌ها که عمدتاً متکی بر مدل‌های زبانی بزرگ هستند با اضافه شدن قابلیت فراخوانی ابزارها و مکانیزم‌های حافظه به توانمندی‌های به‌مراتب بیشتری نسبت به مدل‌های سنتی هوش مصنوعی دست یافته‌اند و گام‌های بزرگی به سمت هوش مصنوعی عام‌منظوره برداشته‌اند. از جمله حوزه‌های تحقیقاتی فعال در این زمینه می‌توان به معماری‌ها و چارچوب‌های عامل‌محور، حافظه و شناخت، سیستم‌های چندعاملی، اعتماد و ایمنی، محدودیت‌های ارزیابی و کاربردهای این سیستم‌ها اشاره کرد.

۱۰- مدل‌های جهانی

مدل‌های جهانی (World Models) دسته‌ای از رویکردهای نوین در هوش مصنوعی هستند که هدفشان ایجاد یک بازنمایی درونی و قابل ‌به‌روزرسانی از یک محیط و قوانین فیزیکی، پویایی‌ها و تعاملات موجود در این محیط است. این مدل‌ها به عامل هوشمند امکان می‌دهند تا پیامدهای اعمال خود در محیط را شبیه‌سازی کرده، برنامه‌ریزی بلندمدت انجام دهد و در شرایط داده‌ محدود، تصمیم‌گیری کارآمدتری داشته باشد. پژوهش در این حوزه با مفاهیمی همچون یادگیری تقویتی مبتنی بر مدل (Model‑based RL)، یادگیری بازنمایی (Representation Learning)، پیش‌بینی دنباله‌های زمانی و معماری‌های ترکیبی پیوند عمیقی دارد. با توجه به نقش کلیدی مدل‌های جهانی در حرکت به‌سوی هوش مصنوعی عام‌منظوره (AGI) و کاربردهای آن در رباتیک، سیستم‌های خودران، شبیه‌سازی‌های علمی و بازی‌های پیچیده، این حوزه کاملاً در راستای اهداف بنیادین این فراخوان قرار می‌گیرد. کلیه تحقیقات بنیادی مرتبط با طراحی، آموزش، ارزیابی و تعمیم‌پذیری مدل‌های جهانی، از جمله رویکردهای مبتنی بر یادگیری عمیق، مدل‌های پنهان Latent Models)) و روش‌های ترکیبی با یادگیری تقویتی، مشمول این بند خواهد بود.

خروجی‌های مورد انتظار

از این فراخوان به‌صورت کلی خروجی‌هایی همچون توسعه روش‌ها و الگوریتم‌های پایه هوش مصنوعی، تولید دانش فنی، ثبت اختراع و انتشار مقاله در مجلات معتبر بین‌المللی مد نظر خواهد بود.

واجدین شرایط

متقاضیان طرح‌های پژوهشی باید از اعضای هیئت‌علمی دانشگاه‌ها و مؤسسات پژوهشی مورد تأیید وزارت علوم و وزارت بهداشت باشند. متخصصین غیر هیئت‌علمی و دانشجویان تحصیلات تکمیلی می‌توانند به‌عنوان همکار در طرح‌ها حضور داشته باشند.

فایل‌های پیوست

فرم پیشنهاده طرح پژوهشی

تاریخ فراخوان

۲ آبان تا ۲ آذر ۱۴۰۵

مبلغ حمایت

• سقف حمایت معادل بودجه طرح‌های مستقل بنیاد به مبلغ ۵۰۰ میلیون تومان است. در صورت داشتن همکاری بین‌المللی و تأیید کمیته هوش مصنوعی بنیاد، تا ۲۰۰ میلیون تومان کمک‌هزینه برای میزبانی از همکار خارجی در ایران یا فرصت مطالعاتی کوتاه‌مدت مجری طرح در خارج از کشور، با ارائه مستندات لازم، افزوده می‌شود.
• برای هر یک از طرح‌های پذیرفته شده در این فراخوان با تأیید کمیته هوش مصنوعی بنیاد، متناسب با نیازهای پردازشی طرح کمک‌هزینه اعتبار استفاده از سرویس پردازش GPU اختصاص داده خواهد شد که میزان و نحوه پرداخت این مبلغ، متناسب با طرح و نحوه استفاده از خدمات فوق تعیین می‌شود.
• در صورت موفقیت مجری و همکاران طرح در پذیرش و ارائه حضوری مقاله توسط ایشان در یکی از کنفرانس‌های NeurIPS، ICML، ICLR، CVPR و AAAI با تأیید کمیته هوش مصنوعی بنیاد، هزینه ثبت نام و شرکت در کنفرانس تا سقف مبلغ ۵۰۰ میلیون تومان تأمین خواهد شد.

نکات تکمیلی مهم:

• طرح‌های پژوهشی دارای پشتیبان صنعتی و شرکت‌های دانش‌بنیان از اولویت برخوردار خواهند بود.
• متقاضیان باید برنامه زمان‌بندی هر یک از طرح‌ها را در خصوص فازبندی و خروجی‌های مربوط به هر فاز ارائه نمایند.
• متقاضیان باید میزان برآورد واقعی متناسب با طرح خود برای استفاده از خدمات GPU را در پیشنهاده ذکر نمایند.
• برای هر یک از طرح‌های پذیرفته شده، یک ناظر فنی طرح تعیین خواهد شد. مجری طرح موظف است نظرات اصلاحی مدنظر ناظر فنی طرح را در نگارش گزارش‌ها لحاظ نماید.
• برای طرح‌های پذیرفته شده، لازم است گزارش‌های پیشرفت براساس زمان‌بندی در طول اجرای طرح ارائه شده و این گزارش‌ها به تأیید ناظر طرح برسند.

شیوه ثبت‌نام و ارسال درخواست

متقاضیان جهت ثبت‌‌نام می‌توانند به سامانه کایپر مراجعه و از طریق بخش متقاضیان/پژوهشگران اقدام نمایند. درصورتی‌که در این سامانه پروفایل مشخصات فردی ندارید ابتدا ثبت‌ نام نموده و سپس به‌وسیله نام کاربری (Email) و رمز عبور اعطا شده وارد سامانه شوید. پس از ورود در بخش ارسال طرح جدید می‌توانید از کارتابل تحقیقات بنیادی هوش مصنوعی اقدام به ارسال طرح نمایید.

کارشناس پاسخگو

در صورت بروز هر گونه سؤال یا ابهام، پژوهشگران می‌توانند از طریق ثبت تیکت در سامانه کایپر (سامانه مدیریت پژوهش بنیاد) خطاب به واحد ارتباط با جامعه و صنعت اقدام نمایند.