中国科学院空间应用工程与技术中心在空间科学实验领域的研究覆盖了多模态空间科学实验数据模式挖掘、领域知识抽取、跨学科知识融合与认知智能等研究内容，有效促进了空间科学实验领域的数据应用生态的体系化建设，相关研究成果已正式发表于权威学术期刊《中国科学院院刊》。

随着科学技术的不断发展，人工智能（AI）在各个科学领域都展现出了革命性的影响力，催生出了新的科学研究范式 AI4S（AI for Science），为科学研究开辟了新的道路。而在 AI4S 范式下的空间科学实验领域的研究，更将有力促进空间科学实验领域取得重大科学成果，推动AI与空间科学交叉学科的繁荣发展。

在空间科学实验领域，我国空间科学与应用技术蓬勃发展，已依托中国空间站开展并将持续开展一系列空间科学与应用任务和计划，产生的空间科学数据与日俱增，并呈迅猛增长态势。在AI4S范式的背景下，结合微重力条件下空间科学实验的领域数据特点，充分挖掘空间科学实验数据蕴含的高价值信息，将有力促进科学发现与认知发展。

空间科学实验领域AI4S的研究旨在聚焦探索AI与空间科学实验领域的深度融合，利用AI技术学习、模拟、预测和优化空间科学实验领域各种现象和规律以解决各种科学问题，构建以AI支撑基础和前沿的空间科学实验数据研究的新模式，加速空间科学实验领域科研范式变革和能力提升，从而推动领域科学新发现和创新。然而，在空间科学领域迅速发展的背后，研究者们正面临着前所未有的问题与挑战。

• 空间科学实验多模态数据信息提取的复杂与困难，使得数据表征、特征融合更具挑战

空间科学实验开展过程中，针对特定研究领域的实验对象产生的实验数据，往往以不同的模态形式存在，如物理量参数、图像、视频等数据，这些数据都隐含了研究对象在空间特殊环境和实验条件下的科学规律。多模态表征通过利用多模态数据之间的互补性，剔除模态间的冗余性，从而学习并提取不同模态数据的特征表示。空间科学实验产生的多模态实验数据的复杂处理方式、天地差异、异质性等因素，使得构建全面准确的表征极具挑战性。多模态语义对齐识别多模态信息之间的跨模态连接和相互作用。例如，分析空间科学实验的物理参量和图像视频数据时，需要将特定的物理参量与图像或视频对齐。

模态之间的对齐在技术上存在很多困难，因为不同模态之间可能存在隐含关联与长距离的依赖关系，涉及模糊的分割，并且可能是一对多、多对多的关联性，需要处理不同模态之间的歧义，以精准匹配跨模态信息，并最大程度降低信息损耗。多模态信息融合抽取自空间科学实验不同模态的信息，整合成多模态特征信息，利用多个来源不同模态的互补信息执行分析与预测。不同模态的信息可能具有不同的预测能力和噪声拓扑，一方面不同模态之间的关联信息有互补作用，另一方面模态自身的特异性又有很强的标识功能。同时，根据待融合模态信息的特点可以分为异质多模态融合（如文本与图像）和同质多模态融合（如深度图与灰度图）等多种情况，获取不同模态实验数据间的共性和模态内的特性信息，具有极大的计算复杂度。

• 多约束条件下的空间科学实验数据多样化与复杂关联，使得模式识别与分析变得更为困难

在空间科学实验领域，进行科学实验时受到多种约束条件的影响，包括宇宙低温、强辐射、微重力等多重因素。这些约束条件导致获取的实验数据呈现出极大的多样性和复杂性，使得数据的模式识别和分析变得困难。一方面，需要应对数据中的噪声、不确定性及多模态数据之间的复杂关联。在处理这些多重约束下的数据时，科学家们面临着挑战，需要开发出具有鲁棒性的算法，以确保准确性和全面性，推动对复杂空间实验现象的深入理解和科学实验数据的有效分析。另外一方面，长期微重力条件下科学实验数据的分析挖掘不仅需要从复杂数据中发现模式与关联，更需要结合不同的环境变量及实验变量、先验知识辅助支持有意义、有价值的模式挖掘与科学发现。因此，如何将这些控制变量、先验知识进行有效编码，融入深度神经网络，支持多元数据的模式挖掘与关联建模面临挑战。

• 多来源、跨学科知识关联复杂，使得跨领域知识交叉融合分析极具挑战

在空间科学实验研究领域，多学科交叉的背景使得AI4S有机会打破学科间的壁垒，推动不同领域间的深度融合与协同创新。例如，流体力学中常用的粒子图像测速方法。可在空间生物实验中用于追踪细胞的运动，也可在微重力物理实验中用于追踪流化床内颗粒的运动。然而，不同学科及来源的数据和知识既具有各自独特的结构体系，又有错综复杂的关系，这使得借助AI技术实现数据的有效关联和知识的深度融合成为一项至关重要的挑战。

具体而言，空间科学实验研究的跨领域信息融合面临3个难点：

1. 异构数据标准化。不同领域的空间科学实验数据具有迥异的结构和内涵。为促进数据共享，需要建立统一的数据标准，并致力实现高效的异构数据标准化。

2. 多源数据关联。空间科学实验分析涉及多来源的数据：传感器测量值、视频图像、文献书籍等。多源数据之间的关系复杂、隐晦而多变，难以被通用算法所预测。需要结合科学实验数据的物理模型与AI的学习能力，实现准确高效的数据关联分析。

3. 跨领域知识关联。一方面，需要构建领域知识图谱，刻画学科本身的知识体系；另一方面，需要消解多学科之间的专业隔阂，揭示跨领域知识的内在联系与相似性。

这些挑战本质上源于空间科学的多学科交叉性、数据高维度性与环境特殊性。若无法突破，将导致 AI 技术难以深入融入科学发现流程。为此，中国科学院空间应用工程与技术中心开展了一系列基于 AI4S 的数据智能融合与协同创新行动，如构建多源异构数据标准化与治理体系，训练专门的跨学科知识融合与推理大模型等等。篇幅所限，更多相关资讯和具体解决措施可持续关注和鲸官方发布渠道。

当前，科学智能发展迅速，AI4S正逐渐改变科学研究的模式。您可联系和鲸了解其他科学智能驱动空间科学研究范式变革相关案例，获取更多科研灵感与助力。

和鲸科技深耕人工智能与数据科学十年，不仅基于旗下数据科学协同平台ModelWhale赋能，助力中国科学院空间应用工程与技术中心系统开展了基于空间科学实验领域的AI4S创新研究，更是联合众多科研组织与机构，全面推进 AI for Science 在垂直领域创新应用，致力于为赋能国家创新体系建设添砖加瓦。

和鲸 ModelWhale 已面向科研机构、高校及专业领域企业及个人打造专属科学智能应用，致力于为人工智能科研团队、学者提供科研支持与助力。欢迎您前往和鲸官网或联系和鲸工作人员免费体验。

和鲸 ModelWhale 大模型应用平台即将正式发布，欢迎您联系和鲸工作人员参与AI应用调研，赢取 ModelWhale 大模型应用平台内测资格！