IOP出版社新推出一系列致力于机器学习和人工智能的开放获取期刊
新的机器学习期刊系列是一个鼓励合作的平台。我们听取了研究界的意见，并引入了新的文章类型，致力于为整个系列中有趣的、高质量的机器学习文章找到一个家。
在2019年成功推出Machine Learning: Science and Technology（MLST）期刊的基础上，IOP出版社的机器学习系列将继续扩展，推出三个新的期刊: Machine Learning: Health, Machine Learning: Earth, and Machine Learning: Engineering。我们的三本新期刊将接受代表机器学习领域研究需求的各种文章类型，包括数据集、综述文章、挑战类文章和鼓励协作的基准类文章。
2025年全年，在三个机器学习新期刊上发表文章的作者都将被免除文章发表费用，并可以免费开放获取他们的文章。这些期刊将从2024年秋季开始接受投稿。
为什么选择在机器学习期刊系列上发表文章？
- 提高可见度：通过在我们的开放获取期刊上发表文章，最大限度地增加您文章的曝光率和影响力。
- 无出版费用：在三个机器学习新期刊（Machine Learning: Earth, Machine Learning: Engineering, Machine Learning: Health）上发表文章，不需要支付文章出版费用。
- 卓越的同行评审服务： IOP出版因在包括机器学习系列在内的所有同行评审期刊中引入双向匿名和透明的同行评审过程而获得2023年全球学术与专业出版商协会（ALPSP）影响力奖。
- 灵活和创新的文章形式：该系列将独特地发布数据集、基准文章和挑战文章，以满足在机器学习、人工智能和科学领域工作的研究人员的不同需求。
期刊介绍
- 2023年影响因子：6.3 Citescore：9.1
- Machine Learning: Science and Technology （MLST）是一本跨学科期刊，致力于发表智能机器在物理、材料科学、化学、生物学、医学、地球科学、天文学和工程学等多学科领域的应用和发展。涉及领域包括：物理学和空间科学；设计和发现新材料和分子；材料表征技术；模拟材料、化学过程和生物系统；原子和粗粒度模拟；量子计算；生物学、医学和生物医学成像；地球科学（包括自然灾害预测）和气候学；模拟方法和高性能计算。同时，也包括机器学习方法在概念上的新进展：新的学习算法；深度学习架构；核心方法；概率和贝叶斯方法；生成方法；强化和主动学习；经常性和基于时间结构的方法；神经启发方法（包括神经形态计算）。
- Machine Learning: Earth是一本多学科开放获取期刊，致力于在地球、环境、气候科学、可持续发展的所有领域应用机器学习、人工智能和数据驱动的计算方法。该期刊发表应用数据驱动方法的研究报告，这些方法提高了我们对地球系统的认识，以及对生物圈、水圈、冰冻圈、大气圈和地圈之间相互作用的认识。
- Machine Learning: Engineering是一本多学科开放获取期刊，致力于在所有工程领域应用机器学习、人工智能数据驱动的计算方法。该期刊还发表介绍机器学习和人工智能在方法、理论或概念上的进展，并将其应用于所有工程领域的研究。
- Machine Learning: Health是一本多学科开放获取期刊，致力于在医疗保健、医学、生物、临床和健康科学领域应用机器学习、人工智能和数据驱动的计算方法。该期刊还发表机器学习和人工智能在方法、理论或概念上的进展，并将其应用于医学和健康科学的研究。