Journal Title：Machine Learning-science And Technology

Machine Learning: Science and Technology? is a multidisciplinary open access journal that bridges the application of machine learning across the sciences with advances in machine learning methods and theory as motivated by physical insights. Specifically, articles must fall into one of the following categories:

i) advance the state of machine learning-driven applications in the sciences,

or

ii) make conceptual, methodological or theoretical advances in machine learning with applications to, inspiration from, or motivated by scientific problems.

Particular areas of scientific application include (but are not limited to):

? Physics and space science

? Design and discovery of novel materials and molecules

? Materials characterisation techniques

? Simulation of materials, chemical processes and biological systems

? Atomistic and coarse-grained simulation

? Quantum computing

? Biology, medicine and biomedical imaging

? Geoscience (including natural disaster prediction) and climatology

? Particle Physics

? Simulation methods and high-performance computing

Conceptual or methodological advances in machine learning methods include those in (but are not limited to):

? Explainability, causality and robustness

? New (physics inspired) learning algorithms

? Neural network architectures

? Kernel methods

? Bayesian and other probabilistic methods

? Supervised, unsupervised and generative methods

? Novel computing architectures

? Codes and datasets

? Benchmark studies

《機器學習：科學與技術》是一本多學科的開放獲取期刊，它將機器學習在各個科學領域的應用與受物理洞察推動的機器學習方法和理論的進步聯系起來。具體而言，文章必須屬于以下類別之一：

i) 推動機器學習驅動的科學應用發展，

或

ii) 在機器學習方面取得概念、方法或理論進步，應用于科學問題、從科學問題中得到啟發或受其激勵。

科學應用的特定領域包括（但不限于）：

? 物理學和空間科學

? 新型材料和分子的設計和發現

? 材料表征技術

? 材料、化學過程和生物系統的模擬

? 原子和粗粒度模擬

? 量子計算

? 生物學、醫學和生物醫學成像

? 地球科學（包括自然災害預測）和氣候學

? 粒子物理學

? 模擬方法和高性能計算

機器學習方法中的概念或方法論進步包括（但不限于）：

? 可解釋性、因果關系和穩健性

? 新的（受物理啟發的）學習算法

? 神經網絡架構

? 核方法

? 貝葉斯和其他概率方法

? 監督、無監督和生成方法

? 新型計算架構

? 代碼和數據集

? 基準研究

Machine Learning-science And Technology創刊于2020年，由IOP PUBLISHING LTD出版商出版，收稿方向涵蓋Multiple全領域，此刊是該細分領域中屬于非常不錯的SCI期刊，在行業細分領域中學術影響力較大，專業度認可很高，所以對原創文章要求創新性較高，如果您的文章質量很高，可以嘗試。平均審稿速度約Submission to first decision before peer review: 3 days; Submission to first decision after peer review: 49 days; 13 Weeks ，影響因子指數6.3，該期刊近期沒有被列入國際期刊預警名單，廣大學者值得一試。