فراخوان مشترک بنیاد ملی علم ایران و ستاد توسعه فناوری‌های هوش مصنوعی و رباتیک اعلام شد

توضیحات 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 بیش‌از‌پیش به خود جلب کرده است. توسعه سریع و اثرگذار راهکارهای مبتنی بر هوش مصنوعی برای حل چالش‌ها و مسائل مطرح در حوزه‌های مختلف نظیر بازارهای مالی، بهداشت و سلامت، اتوماسیون صنعتی، کشاورزی، نظارت و امنیت، آموزش و … 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 به خوبی آشکار می‌سازد. محدودیت در سه بخش منابع پردازشی، داده‌های آموزشی، و مدل‌های موجود از یک سو و هزینه‌بر بودن برخی راهکارهای مبتنی بر هوش مصنوعی از سوی دیگر باعث شده است که از کلیه ظرفیت‌های بالقوه هوش مصنوعی در صنعت استفاده نشود. با این وجود کلیه پیش‌بینی‌ها از رشد سریع این شاخه از علم و تأثیرگذاری آن در اقتصاد و قدرت کشورها در آینده خبر می‌دهد.

هدف این برنامه که اولین برنامه حمایتی مشترک بنیاد و ستاد از پژوهش‌های پایه‌ای و کاربردی حوزه هوش مصنوعی است تشویق پژوهشگران جهت توسعه مدل‌های جدید، توجه به مباحث پایه‌ای و بنیادی حوزه هوش مصنوعی و به‌کارگیری ابزارهای توسعه‌داده‌شده به‌منظور حل مسائل و چالش‌های کاربردی کشور است. در داوری طرح‌های ارسالی به این برنامه، علاوه بر سابقه فعالیت افراد ارائه‌دهنده طرح 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 فراخوان اول حمایت‌های مطرح شده در این برنامه نخواهند بود و طرح‌های ارسالی می‌بایست حتماً نوآوری قابل توجهی در مباحث پایه‌ای هوش مصنوعی داشته باشند.

حوزه‌های اولویت‌دار

حوزه‌های اولویت‌دار در هر سه بخش طرح‌های پژوهشی، دکتری و پسا‌دکتری در نه حوزه مختلف در ادامه بیان شده است. لازم به ذکر است که ارسال درخواست‌های مرتبط با سایر موضوعات مطرح در تحقیقات پایه و بنیادی هوش مصنوعی به غیر از موارد ذکر شده در ادامه نیز قابل قبول بوده و مورد بررسی قرار خواهد گرفت.

۱- هوش مصنوعی قابل اعتماد ( Trustworthy AI )

هدف تحقیقات در این حوزه توسعه مدل‌های قابل اعتماد در هوش مصنوعی است. به طور خاص می‌توان به توسعه مدل‌های امن، ایمن و قابل تفسیر در این حوزه اشاره کرد؛ مدل‌هایی که خروجی‌های غیرقابل قبول و به طور 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 و دفاع در برابر آنها و هر گونه تلاش برای تفسیر رفتار مدل‌های مختلف در این بخش از تحقیقات قرار می‌گیرد. توجه به جنبه‌های اجتماعی مدل‌ها در کنار جنبه‌های فنی آن‌ها از جمله مسائل مورد توجه در این بخش است.

۲- یادگیری تقویتی عمیق

یادگیری تقویتی عمیق که ترکیبی از الگوی یادگیری تقویتی و مدل‌های عمیق است که 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، یکی از حوزه‌های توسعه هوش مصنوعی در سال‌های آینده خواهد بود. با این وجود چالش‌های این حوزه نظیر دشواری پیمایش مؤثر فضای ورودی و تعمیم رفتارهای مطلوب به محیط‌های جدید مانع از به‌کارگیری کامل این مدل‌ها در بسیاری از مسائل دنیای واقعی شده است. هر گونه تلاش به منظور بهبود عملکرد یا رفع چالش‌های یادگیری تقویتی عمیق در این حوزه قرار می‌گیرد. علاوه بر این، رویکردهای مختلف یادگیری تقویتی نظیر یادگیری تقویتی تعاملی یا یادگیری تقویتی با استفاده از بازخوردهای انسانی 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 بازنمائی 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 انجام‌گرفته در این بخش ممکن است با برخی عناوین دیگر مطرح شده در این جدول همپوشانی داشته باشد و به عنوان 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 ) ارائه شده‌اند. در حوزه متن نیز مدل‌های زبانی بزرگ و چت‌بات‌های مبتنی بر ترنسفورمرها موفقیت‌های بسیاری کسب کرده‌اند. بهبود کیفیت داده‌های تولید شده، کاهش زمان استنتاج و تولید داده، امکان آموزش با مجموعه داده‌های محدود از جمله اهداف اصلی در توسعه این مدل‌ها است. ایجاد مدل‌های شرطی و درک بهتر فضای پنهان این مدل‌ها به منظور 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 برچسب‌خورده و حجم بالای داده‌های بدون برچسب موجود در کاربردهای مختلف باعث به‌وجود‌آمدن پارادایم‌های یادگیری جدیدی نظیر مدل‌های خودنظارتی ( self-supervised ) شده است که در آن‌ها یادگیری استخراج ویژگی با تبدیل داده‌های بدون برچسب به داده‌های برچسب‌خورده انجام می‌شود. ظرفیت بالای این الگوهای یادگیری برای استخراج دانش از مدل‌های موجود آن‌ها را به روش‌های جذاب و کارآمدی در حل مسائل دنیای واقعی تبدیل کرده است. کلیه کارهای تحقیقاتی مرتبط با الگوها و روش‌های یادگیری در این حوزه 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 یافتن 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 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. بازنمایی دانش و استدلال ماشینی Knowledge Representation and Reasoning (KRR)

پیشرفت‌های خوبی در سال‌های اخیر در هوش مصنوعی و علی الخصوص پردازش زبان طبیعی صورت گرفته است ولی همچنان با نقص خروجی‌های محصولات این فناوری‌ها در زمینه منطق پاسخگویی مواجه هستیم. بازنمایی دانش و استدلال ماشینی یک حوزه بین‌رشته‌ای است که میان هوش مصنوعی، درک دانش و استدلال پل ایجاد می‌کند. این حوزه روی توسعه تکنیک‌ها برای بازیابی، نمایش و استدلال با دانش تمرکز دارد. جنبه‌های کلیدی بازنمایی دانش و استدلال ماشینی عبارتند از: بازیابی دانش به هدف بازیابی اطلاعات مرتبط از منابع متنوعی مانند پایگاه‌های داده، آنتولوژی‌ها و وب، مورد پردازش قرار می‌گیرد. استدلال و استنتاج قادر به استدلال منطقی بر روی دانش بازیابی شده می‌باشد. در این بخش با عدم قطعیت، تضاد و استدلال وابسته به متن ارتباط وجود دارد. فرمالیسم‌های معمول شامل منطق اول‌مرتبه، منطق توصیفی و استدلال احتمالی و … هستند. نمایش دانش زبان‌های فرمال (مانند RDF و OWL ) و ساختارهای مبتنی بر گراف (مانند گراف‌های دانش) مورد استفاده قرار می‌دهد.

بازنمایی دانش و استدلال ماشینی نقش کلیدی در پیشرفت هوش مصنوعی با افزایش دسترسی به دانش، قابلیت‌های استدلال و درک معنایی دارد. محققان همچنان به دنبال رویکردهای نوآورانه برای مقابله با چالش‌های مقیاس‌پذیری، قابلیت بیان و کارایی در این حوزه پویا هستند.

۹. مدل‌های زبانی بزرگ Large Language Models (LLM)

مدل‌های زبانی بزرگ ( LLM )، مدل‌های هوش مصنوعی قدرتمندی هستند که ابتدا روی مقدار زیادی از داده‌های متنی آموزش داده شده‌اند. این مدل‌ها، معمولاً بر پایه ساختارهای ترانسفورمر، توانایی‌های قابل توجهی در درک زبان طبیعی، تولید متن و ترجمه دارند. برخی از ویژگی‌های کلیدی LLMs عبارتند از: پیش‌آموزش LLMs در ابتدا بر روی مجموعه‌های گسترده‌ای از داده‌های متنی آموزش می‌بینند و توانایی پیش‌بینی کلمه بعدی در جمله را یاد می‌گیرند. این مرحله پیش‌آموزش به آن‌ها امکان ضبط الگوهای زبانی پربار و متناسب با متن را می‌دهد. ریزتنظیم پس از پیش‌آموزش، LLM ها می‌توانند بر روی وظایف خاصی مانند تحلیل احساس، پاسخ به سؤال ات و غیره تنظیم شوند. تنظیم نهایی مدل را برای اجرای خوب در برنامه‌های خاص تطبیق می‌دهد. هدف تحقیقاتی برای پژوهش در زمینه مدل‌های زبانی بزرگ قادرسازی آن‌ها به استدلال کلاسیک و گذار از استدلال عرفی به استدلال توضیح‌پذیر مبتنی بر منطق یکنواخت می‌باشد.

خروجی مورد انتظار

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

واجدین شرایط

در این فراخوان از طرح‌های پژوهشی، رساله های دکتری و طرح‌های پسادکتری که در راستای اولویت‌های اعلامی باشند در صورت تصویب در کارگروه علمی مربوطه حمایت انجام می‌گیرد.

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

متقاضیان طرح‌های پسادکتری و رساله های دکترا در صورت دارا بودن شرایط آیین‌نامه طرح‌های پسادکتری و رساله های دکتری بنیاد علم می‌توانند در این فراخوان شرکت نمایند.

فایل‌های پیوست

• فرمت پیشنهاده دکتری
• فرمت پیشنهاده پسادکتری
• فرم تاییدیه دانشگاه محل اجرا (مختص طرح های پسادکتری)
• فرمت پیشنهاده طرح پژوهشی

تاریخ فراخوان

آغاز فراخوان از ۲۸ اسفند ۱۴۰۲ و پایان فراخوان ۳۱ اردیبهشت ۱۴۰۳ می‌باشد.

مبلغ حمایت

• سقف حمایتی از پسادکتری:

- حق‌الزحمه پژوهشگر پسادکتری: ۸۰ درصد حقوق استادیار پایه یک (۲۰۰ میلیون تومان)

- حق‌الزحمه مسئول طرح: ۲۵ میلیون تومان

- هزینه اجرای طرح: تا سقف ۹۰ میلیون تومان

• سقف حمایتی از رساله های دکتری:

- حق الزحمه دانشجو: ۱۳۵ میلیون تومان

- هزینه اجرای طرح به استاد: تا سقف ۳۰ میلیون تومان

• سقف حمایتی از طرح‌های پژوهشی:

- حداکثر ۱ میلیارد تومان

نکات تکمیلی مهم:

• طرح‌های پژوهشی دارای پشتیبان صنعتی و شرکت‌های دانش‌بنیان از اولویت برخوردار خواهند بود.
• طرح‌هایی قابل شرکت در این فراخوان هستند که از طرف دستگاه‌ها و سازمان‌های دیگر مشمول حمایت نشده باشند.
• متقاضیان باید برنامه زمان‌بندی هر یک از طرح‌ها را در خصوص فازبندی و خروجی‌های مربوط به هر فاز ارائه نمایند.
• برای هر یک از طرح‌ها، یک ناظر فنی طرح تعیین خواهد شد. متقاضی موظف است نظرات اصلاحی مدنظر ناظر فنی طرح را در نگارش گزارش‌ها لحاظ نماید.
• برای طرح‌های مصوب لازم است گزارش‌های پیشرفت بر اساس زمان‌بندی در طول اجرای طرح ارائه شده و این گزارش‌ها به تأیید ناظر طرح برسند.

شیوه ثبت نام و ارسال درخواست:

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

مسئول پاسخگویی

پس از مطالعه توضیحات فراخوان و آیین نامه های مربوطه در پورتال بنیاد علم، در صورت داشتن ابهام یا سؤال می‌توانید از پروفایل خود در سامانه کایپر اقدام به ارسال تیکت برای آقای دکتر پنداشته‌پور نموده یا به آدرس ذیل ایمیل ارسال فرمایید:

industry@insf.org

علاقمندان می‌توانند اخبار و رویدادهای صندوق را در شبکه های اجتماعی زیر دنبال کنند:

کانال بنیاد ملی علم ایران در بله: https://ble.ir/insf_pr

کانال بنیاد ملی علم ایران در تلگرام: https://t.me/insf_pr
صفحه بنیاد ملی علم ایران در اینستاگرام