2021年1月6日，美国国家情报局（ODNI）在国家情报高级研究项目活动（IARPA）中宣布了一项多年期的天基机器自动识别技术（SMART）计划。IARPA为高风险、高回报的研究项目提供资助，以解决情报机构和学科最困难的挑战。 SMART将自动对多源卫星图像进行广域搜索，以检测、监测和描述动态过程的进展，如作物生长、病虫害传播或地震等。通过使用全球范围的图像处理和机器学习增强人工图像分析过程，及时发现人类活动和自然变化，实施强有力的监控。 IARPA项目经理Jack Cooper称，目前人工方法无法处理接收大量的数据，而且还存在需要同时分析过去、现在和未来的天基系统数据的问题。SMART在数据融合和机器学习技术的创新，将使自动广域搜索达到前所未有的时间分辨率和区域覆盖率。 目前，IARPA已将SMART研究合同授予Accenture联邦服务公司、Kitware公司、BlackSky地理空间解决方案和系统技术研究公司组成的研究团队。 查看详细>>

2018年，美国能源部（DOE）建立超强激光器设施网络LaserNetUS。该网络由DOE融合能源科学办公室（FES）组织和资助，旨在改善研究人员获取独特激光的途径，助力恢复美国在高强度激光研究的主导地位。DOE为LaserNetUS提供为期3年的资助，总计1800万美元，资助范围覆盖10个机构，包括100万美元的用户支持资金。 LaserNetUS覆盖美国和加拿大最强大的激光器，其中一些激光器的功率接近或超过1千兆瓦，在基础研究、先进制造和医学领域均有广泛应用。这些设施可以重现宇宙极端的条件，产生用于高能物理研究的粒子束或强X射线脉冲，以探测超短时间尺度上的物质演变。其还被用于开发新技术，如生成强中子脉冲以评估飞机零部件的老化情况、开发先进焊接技术等。LaserNetUS的部分设施还运行高能长脉冲激光，可以产生奇异的极端状态物质，如行星内部或高度压缩的物质状态；还可用于研究激光—等离子体相互作用，这对聚变能源研究非常重要。 在为用户服务的第一年，LaserNetUS向25个机构的研究人员提供了49次实验机时。到目前为止，已有200多位用户参加实验，其中包括100多名学生和博士后。LaserNetUS机构包括：科罗拉多州立大学、劳伦斯·伯克利国家实验室、劳伦斯·利弗莫尔国家实验室、SLAC国家加速器实验室、俄亥俄州立大学、密歇根大学、内布拉斯加大学林肯分校、魁北克大学：国立科学研究院、罗彻斯特大学和德克萨斯大学奥斯汀分校。所有提案均由美国和国际专家组成的独立小组进行同行评审。 查看详细>>

2020年9月22日，ATTRACT项目组发布题为《基于重大科技基础设施技术创新的系统化：ATTRACT项目》（Systematizing serendipity for big science infrastructures:the ATTRACT project）研究报告，通过分析ATTRACT项目数据集，探讨政策如何促进科学研究在其原有范围之外的应用，发现-不同于以前提出的发现类型的意外发现模式。通过展示政策干预的潜力，个人和组织能够发现大科学研究的意想不到的商业应用。 ATTRACT资助了170个项目，为每个项目拨款10万欧元，以利用这些项目的各种技术促进企业发展，并为欧洲经济带来更大的经济回报。通常，科研人员会在ATTRACT项目文本中描述为自己的科学研究开发新应用的模式。在此次分析中，通过判读、汇总上述170个项目在文本中反复出现的主题，将项目进行分类，给出ATTRACT项目中的意外发现模式: 1、不同技术的结合（占比41%）。在这一类别下，技术可以来自研究方向相似或差别明显的不同领域，并通过不同程度进行集成。例如，SCENT项目旨在创造新的气体传感器，其利用了两个迄今为止并不相关的学科——高压技术和气体传感，前者主要用于材料的合成，后者此前也并未有与前者结合的案例出现。 2、基于以往研究进行扩展和构建（占比31%）。通过重新审视以前的研究来识别或探索新特征。这项工作通常需要细致地审视以前获得的知识，并在现有数据中寻找新的视角。重新诠释以往研究的另一种方法是增强特征或探讨技术在极端条件下的适用性。例如，有许多项目正在研究电流探测器在极冷的温度下或在辐射非常高的环境中使用的可能性。类似地，也有一些项目通过想象一项技术变得更高效或更强大的情况下，可以创造哪些机会来开发新的应用领域。 3、将技术应用到另一个领域（占比27%）。这一类别与“意外”概念最吻合——为现有技术找到新用途。将现有技术应用于以往从未应用过的领域，可能会出现新用途、新案例。特别是对ATTRACT项目的大型科研机构来说，它们研发的技术可能只应用于自身科学领域之内。但这些新技术也能为其他领域提供新的视角，或者提出新的方法处理领域内现有技术无法充分解决的问题。 4、使用人工智能或机器学习（占比14%）。这一模式是将机器学习应用于某一特定场景。它可以被认为是前一个类别的子集，因为机器学习是源于计算科学的突破，其在不同领域找到了新用途。人工智能或机器学习能够发现人类无法轻易识别的模式，提高了各种传感器从其收集的数据中获取有效信息的能力。这一类别中的许多项目都属于医疗保健领域。 该研究找到了两种以前未被确认的模式——不同技术的结合和使用机器学习。当然，还需要使用其他数据进行更系统的分析，以证实该研究结果并确定实现意外发现的其他方法。 查看详细>>