關(guān)于發(fā)布可解釋、可通用的下一代人工智能方法重大研究計(jì)劃2023年度項(xiàng)目指南的通告

國科金發(fā)計(jì)〔2023〕12號(hào)

　　國家自然科學(xué)基金委員會(huì)現(xiàn)發(fā)布可解釋、可通用的下一代人工智能方法重大研究計(jì)劃2023年度項(xiàng)目指南，請(qǐng)申請(qǐng)人及依托單位按項(xiàng)目指南中所述的要求和注意事項(xiàng)申請(qǐng)。

國家自然科學(xué)基金委員會(huì)

2023年3月31日　　

 可解釋、可通用的下一代人工智能方法重大研究計(jì)劃2023年度項(xiàng)目指南

　　可解釋、可通用的下一代人工智能方法重大研究計(jì)劃面向人工智能發(fā)展國家重大戰(zhàn)略需求，以人工智能的基礎(chǔ)科學(xué)問題為核心，發(fā)展人工智能新方法體系，促進(jìn)我國人工智能基礎(chǔ)研究和人才培養(yǎng)，支撐我國在新一輪國際科技競(jìng)爭(zhēng)中的主導(dǎo)地位。

　　一、科學(xué)目標(biāo)

　　本重大研究計(jì)劃面向以深度學(xué)習(xí)為代表的人工智能方法魯棒性差、可解釋性差、對(duì)數(shù)據(jù)的依賴性強(qiáng)等基礎(chǔ)科學(xué)問題，挖掘機(jī)器學(xué)習(xí)的基本原理，發(fā)展可解釋、可通用的下一代人工智能方法，并推動(dòng)人工智能方法在科學(xué)領(lǐng)域的創(chuàng)新應(yīng)用。

　　二、核心科學(xué)問題

　　本重大研究計(jì)劃針對(duì)可解釋、可通用的下一代人工智能方法的基礎(chǔ)科學(xué)問題，圍繞以下三個(gè)核心科學(xué)問題開展研究。

　?。ㄒ唬┥疃葘W(xué)習(xí)的基本原理。

　　深入挖掘深度學(xué)習(xí)模型對(duì)超參數(shù)的依賴關(guān)系，理解深度學(xué)習(xí)背后的工作原理，建立深度學(xué)習(xí)方法的逼近理論、泛化誤差分析理論和優(yōu)化算法的收斂性理論。

　?。ǘ┛山忉?、可通用的下一代人工智能方法。

　　通過規(guī)則與學(xué)習(xí)結(jié)合的方式，建立高精度、可解釋、可通用且不依賴大量標(biāo)注數(shù)據(jù)的人工智能新方法。開發(fā)下一代人工智能方法需要的數(shù)據(jù)庫和模型訓(xùn)練平臺(tái)，完善下一代人工智能方法驅(qū)動(dòng)的基礎(chǔ)設(shè)施。

　　（三）面向科學(xué)領(lǐng)域的下一代人工智能方法的應(yīng)用。

　　發(fā)展新物理模型和算法，建設(shè)開源科學(xué)數(shù)據(jù)庫、知識(shí)庫、物理模型庫和算法庫，推動(dòng)人工智能新方法在解決科學(xué)領(lǐng)域復(fù)雜問題上的示范性應(yīng)用。

　　三、2023年度資助研究方向

　　（一）培育項(xiàng)目。

　　圍繞上述科學(xué)問題，以總體科學(xué)目標(biāo)為牽引，擬以培育項(xiàng)目的方式資助探索性強(qiáng)、選題新穎的申請(qǐng)項(xiàng)目，研究方向如下：

　　1. 深度學(xué)習(xí)的表示理論和泛化理論。

　　研究卷積神經(jīng)網(wǎng)絡(luò)（以及其它帶對(duì)稱性的網(wǎng)絡(luò)）、圖神經(jīng)網(wǎng)絡(luò)、transformer網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、低精度神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)、生成擴(kuò)散模型等模型的泛化誤差分析理論、魯棒性和穩(wěn)定性理論，并在實(shí)際數(shù)據(jù)集上進(jìn)行檢驗(yàn)；研究無監(jiān)督表示學(xué)習(xí)、預(yù)訓(xùn)練-微調(diào)范式等方法的理論基礎(chǔ)，發(fā)展新的泛化分析方法，指導(dǎo)深度學(xué)習(xí)模型和算法設(shè)計(jì)。

　　2. 深度學(xué)習(xí)的訓(xùn)練方法。

　　研究深度學(xué)習(xí)的損失景觀，包括但不限于：臨界點(diǎn)的分布及其嵌入結(jié)構(gòu)、極小點(diǎn)的連通性等，深度學(xué)習(xí)中的非凸優(yōu)化問題、優(yōu)化算法的正則化理論和收斂行為，神經(jīng)網(wǎng)絡(luò)的過參數(shù)化和訓(xùn)練過程對(duì)于超參的依賴性問題、基于極大值原理的訓(xùn)練方法、訓(xùn)練時(shí)間復(fù)雜度等問題，循環(huán)神經(jīng)網(wǎng)絡(luò)記憶災(zāi)難問題、編碼-解碼方法與Mori-Zwanzig方法的關(guān)聯(lián)特性，發(fā)展收斂速度更快、時(shí)間復(fù)雜度更低的訓(xùn)練算法及工具，建立卷積網(wǎng)絡(luò)、Transformer網(wǎng)絡(luò)、擴(kuò)散模型、混合專家模型等特定模型的優(yōu)化理論及高效訓(xùn)練方法，深度學(xué)習(xí)優(yōu)化過程對(duì)泛化性能的影響等。

　　3. 微分方程與機(jī)器學(xué)習(xí)。

　　研究求解微分方程正反問題及解算子逼近的概率機(jī)器學(xué)習(xí)方法；基于生成式擴(kuò)散概率模型的物理場(chǎng)生成、模擬與補(bǔ)全框架；基于微分方程設(shè)計(jì)新的機(jī)器學(xué)習(xí)模型，設(shè)計(jì)和分析網(wǎng)絡(luò)結(jié)構(gòu)、加速模型的推理、分析神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。

　　面向具有實(shí)際應(yīng)用價(jià)值的反問題，研究機(jī)器學(xué)習(xí)求解微分方程的魯棒算法；研究傳統(tǒng)微分方程算法和機(jī)器學(xué)習(xí)方法的有效結(jié)合方法；研究高維微分方程的正則性理論與算法；研究微分方程解算子的逼近方法（如通過機(jī)器學(xué)習(xí)方法獲得動(dòng)理學(xué)方程、彈性力學(xué)方程、流體力學(xué)方程、Maxwell方程以及其它常用微分方程的解算子）；融合機(jī)器學(xué)習(xí)方法處理科學(xué)計(jì)算的基礎(chǔ)問題（求解線性方程組、特征值問題等）。

　　4. 隱私保護(hù)的機(jī)器學(xué)習(xí)方法。

　　針對(duì)主流機(jī)器學(xué)習(xí)問題，結(jié)合安全多方計(jì)算、全同態(tài)加密、零知識(shí)證明等方法構(gòu)建具備實(shí)用性的可信機(jī)器學(xué)習(xí)環(huán)境。發(fā)展隱私保護(hù)協(xié)同訓(xùn)練和預(yù)測(cè)方法，發(fā)展加密和隱私計(jì)算環(huán)境的特征聚類、查詢和多模型匯聚方法，發(fā)展加密跨域遷移學(xué)習(xí)方法，發(fā)展面向?qū)箻颖?、后門等分析、攻擊、防御和修復(fù)方法，研究機(jī)器學(xué)習(xí)框架對(duì)模型干擾、破壞和控制方法，發(fā)展可控精度的隱私計(jì)算方法。

　　5. 圖神經(jīng)網(wǎng)絡(luò)的新方法。

　　利用調(diào)和分析、粒子方程等數(shù)學(xué)理論解決深度圖網(wǎng)絡(luò)的過度光滑、過度擠壓等問題，針對(duì)多智能體網(wǎng)絡(luò)協(xié)同控制、藥物設(shè)計(jì)等重要應(yīng)用場(chǎng)景設(shè)計(jì)有效的、具有可解釋性的圖表示學(xué)習(xí)方法。

　　6. 腦科學(xué)啟發(fā)的新一代人工智能方法。

　　發(fā)展對(duì)大腦信息整合與編碼的定量數(shù)學(xué)刻畫和計(jì)算方法，設(shè)計(jì)新一代腦啟發(fā)的深度神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的表現(xiàn)性能；建立具有樹突幾何結(jié)構(gòu)和計(jì)算功能的人工神經(jīng)元數(shù)學(xué)模型，并用于發(fā)展包含生物神經(jīng)元樹突計(jì)算的深度神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的表現(xiàn)性能；發(fā)展包含多種生物神經(jīng)元生理特征和生物神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)的人工神經(jīng)網(wǎng)絡(luò)及其訓(xùn)練算法，解決圖像識(shí)別、圖像恢復(fù)、醫(yī)學(xué)圖像重構(gòu)、地震波檢測(cè)等應(yīng)用問題。

　　7. 數(shù)據(jù)驅(qū)動(dòng)與知識(shí)驅(qū)動(dòng)融合的人工智能方法。

　　建立數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)與知識(shí)驅(qū)動(dòng)的符號(hào)計(jì)算相融合的新型人工智能理論和方法，突破神經(jīng)網(wǎng)絡(luò)模型不可解釋的瓶頸；研究知識(shí)表示與推理框架、大規(guī)模隱式表達(dá)的知識(shí)獲取、多源異構(gòu)知識(shí)融合、知識(shí)融入的預(yù)訓(xùn)練模型、知識(shí)數(shù)據(jù)雙驅(qū)動(dòng)的決策推理等，解決不同場(chǎng)景的應(yīng)用問題。

　　8. 生物醫(yī)藥領(lǐng)域的人工智能方法。

　　發(fā)展自動(dòng)化程度高的先導(dǎo)化合物優(yōu)化方法，建立生物分子序列的深度生成模型，準(zhǔn)確、高效生成滿足特定條件（空間結(jié)構(gòu)、功能、物化性質(zhì)、蛋白環(huán)境等）的分子序列；發(fā)展蛋白質(zhì)特征學(xué)習(xí)的人工智能新方法，用于蛋白質(zhì)功能、結(jié)構(gòu)、氨基酸突變后親和力與功能改變等預(yù)測(cè)以及蛋白質(zhì)與生物分子（蛋白、肽、RNA、配體等）相互作用預(yù)測(cè)；針對(duì)免疫性疾病等臨床表現(xiàn)差異大、預(yù)后差等問題，發(fā)展序列、結(jié)構(gòu)等抗體多模態(tài)數(shù)據(jù)融合和預(yù)測(cè)的人工智能模型，用于免疫性疾病的早期診斷和臨床分型等。

　　9. 科學(xué)計(jì)算領(lǐng)域的人工智能方法。

　　針對(duì)電子多體問題，建立薛定諤方程數(shù)值計(jì)算、第一性原理計(jì)算、增強(qiáng)采樣、自由能計(jì)算、粗?；肿觿?dòng)力學(xué)等的人工智能方法，探索人工智能方法在電池、電催化、合金、光伏等體系研究中的應(yīng)用。

　　針對(duì)典型的物理、化學(xué)、材料、生物、燃燒等領(lǐng)域的跨尺度問題和動(dòng)力學(xué)問題，通過融合物理模型與人工智能方法，探索復(fù)雜體系變量隱含物理關(guān)系的挖掘方法，建立構(gòu)效關(guān)系的數(shù)學(xué)表達(dá)，構(gòu)建具有通用性的跨尺度人工智能輔助計(jì)算理論和方法，解決典型復(fù)雜多尺度計(jì)算問題。

　　10. 人工智能驅(qū)動(dòng)的下一代微觀科學(xué)計(jì)算平臺(tái)。

　　發(fā)展基于人工智能的高精度、高效率的第一性原理方法；面向物理、化學(xué)、材料、生物等領(lǐng)域的實(shí)際復(fù)雜問題，建立多尺度模型，實(shí)現(xiàn)高精度、大尺度和高效率的分子動(dòng)力學(xué)模擬方法；探索建立人工智能與科學(xué)計(jì)算雙驅(qū)動(dòng)的“軟-硬件協(xié)同優(yōu)化”方法和科學(xué)計(jì)算專用平臺(tái)。

　?。ǘ┲攸c(diǎn)支持項(xiàng)目。

　　圍繞核心科學(xué)問題，以總體科學(xué)目標(biāo)為牽引，擬以重點(diǎn)支持項(xiàng)目的方式資助前期研究成果積累較好、對(duì)總體科學(xué)目標(biāo)在理論和關(guān)鍵技術(shù)上能發(fā)揮推動(dòng)作用、具備產(chǎn)學(xué)研用基礎(chǔ)的申請(qǐng)項(xiàng)目，研究方向如下：

　　1. 經(jīng)典數(shù)值方法與人工智能融合的微分方程數(shù)值方法。

　　設(shè)計(jì)融合經(jīng)典方法和人工智能方法優(yōu)勢(shì)的新型微分方程數(shù)值方法。針對(duì)經(jīng)典數(shù)值方法處理復(fù)雜區(qū)域的困難和人工智能方法效果的不確定性、誤差的不可控性，發(fā)展兼具穩(wěn)定收斂階和簡(jiǎn)便性的新型算法；針對(duì)彈性力學(xué)、流體力學(xué)等微分方程，探索其解的復(fù)雜度與逼近函數(shù)表達(dá)能力之間的定量關(guān)系；開發(fā)針對(duì)三維含時(shí)問題的高效并行算法，并應(yīng)用到多孔介質(zhì)流等問題；發(fā)展求解微分方程反問題的新算法并用于求解實(shí)際問題。

　　2. 復(fù)雜離散優(yōu)化的人工智能求解器。

　　面向混合整數(shù)優(yōu)化、組合優(yōu)化等離散優(yōu)化問題，建立人工智能和領(lǐng)域知識(shí)結(jié)合的可通用的求解器框架；建立高精度求解方法和復(fù)雜約束問題的可控近似求解方法；發(fā)展超大規(guī)模并行求解方法和基于新型計(jì)算架構(gòu)的加速方法；在復(fù)雜、高效軟件設(shè)計(jì)等場(chǎng)景開展可靠性驗(yàn)證。

　　3. 開放環(huán)境下多智能體協(xié)作的智能感知理論與方法。

　　針對(duì)多模態(tài)信息融合中由于數(shù)據(jù)視角、維度、密度、采集和標(biāo)注難易程度不同而造成的融合難題，研究基于深度學(xué)習(xí)的融合模型，實(shí)現(xiàn)模態(tài)一致性并減少融合過程中信息損失；研究輕量級(jí)的模態(tài)間在線時(shí)空對(duì)齊方法；研究能容忍模態(tài)間非對(duì)齊狀態(tài)下的融合方法；研究用易采集、易標(biāo)注模態(tài)數(shù)據(jù)引導(dǎo)的難采集、難標(biāo)注模態(tài)數(shù)據(jù)的預(yù)訓(xùn)練與微調(diào)方法；研究大規(guī)模多任務(wù)、多模態(tài)學(xué)習(xí)的預(yù)訓(xùn)練方法，實(shí)現(xiàn)少樣本/零樣本遷移。

　　4. 可通用的專業(yè)領(lǐng)域人機(jī)交互方法。

　　針對(duì)多變輸入信號(hào)，建立自動(dòng)化多語種語言、圖像、視頻等多模態(tài)數(shù)據(jù)生成模型，發(fā)展可解釋的多輪交互決策方法；建立機(jī)器學(xué)習(xí)和知識(shí)搜索的有效結(jié)合方法；探索新方法在不同專業(yè)領(lǐng)域場(chǎng)景中的應(yīng)用。

　　5. 下一代多模態(tài)數(shù)據(jù)編程框架。

　　發(fā)展面向超大規(guī)模多模態(tài)數(shù)據(jù)（文本、圖像、視頻、向量、時(shí)間序列、圖等）的存儲(chǔ)、索引、聯(lián)合查詢和分析方法。發(fā)展一體化的多模態(tài)數(shù)據(jù)編程框架，建立自動(dòng)化數(shù)據(jù)生成、評(píng)估和篩選方法，實(shí)現(xiàn)自動(dòng)知識(shí)發(fā)現(xiàn)和自動(dòng)模型生成性能的突破，并完成超大規(guī)模、多模態(tài)數(shù)據(jù)集上的可靠性驗(yàn)證。

　　6. 支持下一代人工智能的開放型高質(zhì)量科學(xué)數(shù)據(jù)庫。

　　研究跨領(lǐng)域、多模態(tài)科學(xué)數(shù)據(jù)的主動(dòng)發(fā)現(xiàn)、統(tǒng)一存儲(chǔ)和統(tǒng)一管理方法。研究基于主動(dòng)學(xué)習(xí)的科學(xué)數(shù)據(jù)、科技文獻(xiàn)知識(shí)抽取與融合方法。研究跨學(xué)科、多尺度科學(xué)數(shù)據(jù)的知識(shí)對(duì)象標(biāo)識(shí)化、語義化構(gòu)建方法。研究融合領(lǐng)域知識(shí)的多模態(tài)預(yù)訓(xùn)練語言模型，開發(fā)通用新型數(shù)據(jù)挖掘方法。形成具有一定國際影響力的覆蓋生命、化學(xué)、材料、遙感、空間科學(xué)等領(lǐng)域的高質(zhì)量、通用型科學(xué)數(shù)據(jù)庫，為人工智能驅(qū)動(dòng)的科學(xué)研究新范式提供基礎(chǔ)科學(xué)數(shù)據(jù)資源服務(wù)。

　　7. 高精度、可解釋的譜學(xué)和影像數(shù)據(jù)分析方法。

　　發(fā)展光譜、質(zhì)譜和各類影像數(shù)據(jù)處理的人工智能方法。建立融合模擬與實(shí)驗(yàn)數(shù)據(jù)的可解釋“譜-構(gòu)-效”模型，開發(fā)人工智能驅(qū)動(dòng)的光譜實(shí)時(shí)解讀與反演軟件；基于AlphaFold等蛋白結(jié)構(gòu)預(yù)測(cè)方法，建立高精度冷凍電鏡蛋白結(jié)構(gòu)反演算法等。

　　8. 高精度、可解釋的生物大分子設(shè)計(jì)平臺(tái)。

　　建立人工智能驅(qū)動(dòng)的定向進(jìn)化方法，助力生物大分子優(yōu)化設(shè)計(jì)。發(fā)展兼顧數(shù)據(jù)推斷和物理機(jī)制篩選雙重優(yōu)勢(shì)且擴(kuò)展性高的人工智能方法，輔助物理計(jì)算高維勢(shì)能面搜索。在醫(yī)用酶及大分子藥物設(shè)計(jì)上助力定向進(jìn)化實(shí)驗(yàn)，將傳統(tǒng)實(shí)驗(yàn)時(shí)間降低50%以上，通過人工智能設(shè)計(jì)并濕實(shí)驗(yàn)合成不小于3款高活性、高穩(wěn)定性、高特異性的新型醫(yī)用蛋白。發(fā)展基于人工智能的新一代生物大分子力場(chǎng)模型，大幅提升大分子模擬計(jì)算的可靠性，針對(duì)生物、醫(yī)藥、材料領(lǐng)域中的分子設(shè)計(jì)問題，實(shí)現(xiàn)化學(xué)精度的大尺度分子動(dòng)力學(xué)模擬。

　　四、項(xiàng)目遴選的基本原則

　?。ㄒ唬┚o密圍繞核心科學(xué)問題，鼓勵(lì)基礎(chǔ)性和交叉性的前沿探索，優(yōu)先支持原創(chuàng)性研究。

　?。ǘ﹥?yōu)先支持面向發(fā)展下一代人工智能新方法或能推動(dòng)人工智能新方法在科學(xué)領(lǐng)域應(yīng)用的研究項(xiàng)目。

　?。ㄈ┲攸c(diǎn)支持項(xiàng)目應(yīng)具有良好的研究基礎(chǔ)和前期積累，對(duì)總體科學(xué)目標(biāo)有直接貢獻(xiàn)與支撐。

　　五、2023年度資助計(jì)劃

　　2023年度擬資助培育項(xiàng)目25～30項(xiàng)，直接費(fèi)用資助強(qiáng)度約為80萬元/項(xiàng)，資助期限為3年，培育項(xiàng)目申請(qǐng)書中研究期限應(yīng)填寫“2024年1月1日—2026年12月31日”；擬資助重點(diǎn)支持項(xiàng)目6～8項(xiàng)，直接費(fèi)用資助強(qiáng)度約為300萬元/項(xiàng)，資助期限為4年，重點(diǎn)支持項(xiàng)目申請(qǐng)書中研究期限應(yīng)填寫“2024年1月1日—2027年12月31日”。

　　六、申請(qǐng)要求

　?。ㄒ唬┥暾?qǐng)條件。

　　本重大研究計(jì)劃項(xiàng)目申請(qǐng)人應(yīng)當(dāng)具備以下條件：

　　1. 具有承擔(dān)基礎(chǔ)研究課題的經(jīng)歷；

　　2. 具有高級(jí)專業(yè)技術(shù)職務(wù)（職稱）。

　　在站博士后研究人員、正在攻讀研究生學(xué)位以及無工作單位或者所在單位不是依托單位的人員不得作為申請(qǐng)人進(jìn)行申請(qǐng)。

　?。ǘ┫揄?xiàng)申請(qǐng)規(guī)定。

　　執(zhí)行《2023年度國家自然科學(xué)基金項(xiàng)目指南》“申請(qǐng)規(guī)定”中限項(xiàng)申請(qǐng)規(guī)定的相關(guān)要求。

　?。ㄈ┥暾?qǐng)注意事項(xiàng)。

　　申請(qǐng)人和依托單位應(yīng)當(dāng)認(rèn)真閱讀并執(zhí)行本項(xiàng)目指南、《2023年度國家自然科學(xué)基金項(xiàng)目指南》和《關(guān)于2023年度國家自然科學(xué)基金項(xiàng)目申請(qǐng)與結(jié)題等有關(guān)事項(xiàng)的通告》中相關(guān)要求。

　　1. 本重大研究計(jì)劃項(xiàng)目實(shí)行無紙化申請(qǐng)。申請(qǐng)書提交日期為2023年5月8日—5月15日16時(shí)。

　　2. 項(xiàng)目申請(qǐng)書采用在線方式撰寫。對(duì)申請(qǐng)人具體要求如下：

　?。?）申請(qǐng)人應(yīng)當(dāng)按照科學(xué)基金網(wǎng)絡(luò)信息系統(tǒng)中重大研究計(jì)劃項(xiàng)目的填報(bào)說明與撰寫提綱要求在線填寫和提交電子申請(qǐng)書及附件材料。

　?。?）本重大研究計(jì)劃旨在緊密圍繞核心科學(xué)問題，將對(duì)多學(xué)科相關(guān)研究進(jìn)行戰(zhàn)略性的方向引導(dǎo)和優(yōu)勢(shì)整合，成為一個(gè)項(xiàng)目集群。申請(qǐng)人應(yīng)根據(jù)本重大研究計(jì)劃擬解決的具體科學(xué)問題和項(xiàng)目指南公布的擬資助研究方向，自行擬定項(xiàng)目名稱、科學(xué)目標(biāo)、研究?jī)?nèi)容、技術(shù)路線和相應(yīng)的研究經(jīng)費(fèi)等。

　?。?）申請(qǐng)書中的資助類別選擇“重大研究計(jì)劃”，亞類說明選擇“培育項(xiàng)目”或“重點(diǎn)支持項(xiàng)目”，附注說明選擇“可解釋、可通用的下一代人工智能方法”，受理代碼選擇T01，根據(jù)申請(qǐng)的具體研究?jī)?nèi)容選擇不超過5個(gè)申請(qǐng)代碼。

　　培育項(xiàng)目和重點(diǎn)支持項(xiàng)目的合作研究單位不得超過2個(gè)。

　?。?）申請(qǐng)人在“立項(xiàng)依據(jù)與研究?jī)?nèi)容”部分，應(yīng)當(dāng)首先說明申請(qǐng)符合本項(xiàng)目指南中的資助研究方向，以及對(duì)解決本重大研究計(jì)劃核心科學(xué)問題、實(shí)現(xiàn)本重大研究計(jì)劃總體科學(xué)目標(biāo)的貢獻(xiàn)。

　　如果申請(qǐng)人已經(jīng)承擔(dān)與本重大研究計(jì)劃相關(guān)的其他科技計(jì)劃項(xiàng)目，應(yīng)當(dāng)在申請(qǐng)書正文的“研究基礎(chǔ)與工作條件”部分論述申請(qǐng)項(xiàng)目與其他相關(guān)項(xiàng)目的區(qū)別與聯(lián)系。

　　3. 依托單位應(yīng)當(dāng)按照要求完成依托單位承諾、組織申請(qǐng)以及審核申請(qǐng)材料等工作。在2023年5月15日16時(shí)前通過信息系統(tǒng)逐項(xiàng)確認(rèn)提交本單位電子申請(qǐng)書及附件材料，并于5月16日16時(shí)前在線提交本單位項(xiàng)目申請(qǐng)清單。

　　4. 其他注意事項(xiàng)。

　?。?）為實(shí)現(xiàn)重大研究計(jì)劃總體科學(xué)目標(biāo)和多學(xué)科集成，獲得資助的項(xiàng)目負(fù)責(zé)人應(yīng)當(dāng)承諾遵守相關(guān)數(shù)據(jù)和資料管理與共享的規(guī)定，項(xiàng)目執(zhí)行過程中應(yīng)關(guān)注與本重大研究計(jì)劃其他項(xiàng)目之間的相互支撐關(guān)系。

　　（2）為加強(qiáng)項(xiàng)目的學(xué)術(shù)交流，促進(jìn)項(xiàng)目群的形成和多學(xué)科交叉與集成，本重大研究計(jì)劃將每年舉辦一次資助項(xiàng)目的年度學(xué)術(shù)交流會(huì)，并將不定期地組織相關(guān)領(lǐng)域的學(xué)術(shù)研討會(huì)。獲資助項(xiàng)目負(fù)責(zé)人有義務(wù)參加本重大研究計(jì)劃指導(dǎo)專家組和管理工作組所組織的上述學(xué)術(shù)交流活動(dòng)，并認(rèn)真開展學(xué)術(shù)交流。

　?。ㄋ模┳稍兎绞?。

　　國家自然科學(xué)基金委員會(huì)交叉科學(xué)部交叉科學(xué)一處

　　聯(lián)系電話：010-62328382

? ? ?

來源：國家自然科學(xué)基金委員會(huì)    

本文地址： http://www.drg46tfhx9.cn/5166.html/ 轉(zhuǎn)載請(qǐng)注明出處！