判断 SCI 论文的期刊等级不仅仅取决于论文中的 highlight，还要综合考虑该领域的期刊排名、论文质量、影响因子等因素。一般来说，不同领域的期刊等级也有所不同，所以需要先确定论文所属的学科领域。一般来说，如果一篇 SCI 论文有三处 highlight，那么至少应该投到 Q2 级别的期刊，具体投到哪个领域的期刊需要根据论文的具体内容来判断。如果你对期刊的级别和领域不是很了解，可以先查找相关领域的 SCI 期刊排名表，然后根据论文的具体情况来判断。另外，投稿期刊的选择还要考虑该期刊的审稿周期、是否开放获取、是否与你的研究方向相关等因素，建议在投稿前多方考虑并进行比较。
材料类SCI论文有三处highlight，指的是投稿时需要提供的三到五个突出论文核心要点和创新点的简短陈述。它们可以帮助提高论文在搜索引擎中的可发现性，吸引更多读者阅读，并增加论文的引用率。材料类SCI论文有三处highlight，并不意味着可以投几区几分期刊。期刊的分区和影响因子主要取决于期刊本身的质量、声誉、影响力等因素，而不是投稿时提供的highlight。highlight只是一种辅助性的投稿材料，不会影响编辑或审稿人对论文质量和水平的评价。如果你想知道你的论文可以投哪些期刊，你可以参考以下几种方法：使用期刊匹配工具，比如Elsevier Journal Finder、Springer Journal Suggester等，输入你的标题、摘要、关键词等信息，找到最适合你论文主题和范围的期刊。查看同领域或同方向已发表的相关论文，看看它们都发表在哪些期刊上，选择一些与你论文水平相当或略高一些的期刊。咨询导师或同行专家，听取他们对你论文质量和水平的评估和建议，根据他们推荐或经验选择合适的期刊。比较不同期刊之间的影响因子、审稿周期、接收率、版面费等信息，综合考虑自己对发表速度、成本、效果等方面的需求和预期，确定目标期刊。希望我的回答对你有帮助。祝你早日发表成功！
是一种特别自豪的感受，感觉自己是非常有能力的，自己的一些成就是比较好的，自己会有一个好的发展的。
我的看法是，在顶级学术期期刊发表论文的时候，首先介绍自己以及关于自己发表的论文在哪方面？具体有体现以及自己的核心学术思想概念展示给学术界的哥哥领导以及学生，让他们进行欣赏和评价
早上或者午后，我一般是中午饭后服用两粒Mkule NMN胶囊，坚持服用下来明显感觉精神状态更好，精力充沛没有疲劳和困倦。你可以统一去知道了解下
iscience被sci纳入，应该属于核心水平期刊了，可以多多留意它。iScience是CellPress于2018年新开的综合性开源期刊。该杂志主要发表包括生命科学、物理学和材料科学在内的基础和应用研究。该杂志将成为一个多学科交叉和开放获取的同行评阅期刊。
1、C刊=CSSCI=南大核心期刊，北大核心期刊一般简称核心。南大核心的范围要比北大核心要小。 2、CSSCI里顶级的期刊，有的学校认定为A，那就是中文期刊里最高级的。而B刊是各学校以自己的标准自己规定的。所以如果要发表论文，还是要到本校相关部门问清本校的期刊分类目录，才好决定投稿对象。
cssci包括管理世界、世界历史、中国社会科学、马克思主义与现实、教学与研究、哲学研究、世界宗教研究部、现代外语、民族语文、文学评论、文学遗产、文艺理论与批评、音乐研究、历史研究、世界历史、近代史研究、文物、考古、经济研究、世界经济、中国工业经济、政治学研究、中国法学、社会学研究、民族研究、等100多类人文社科类期刊。
cssci中文社会科学引文索引英文全称为“Chinese Social Sciences Citation Index”，缩写为CSSCI。由南京大学中国社会科学研究评价中心开发研制的数据库，用来检索中文社会科学领域的论文收录和文献被引用情况，是我国人文社会科学评价领域的标志性工程。
“中文社会科学引文索引”(CSSCI)是国家、教育部重点课题攻关项目。CSSCI遵循文献计量学规律，采取定量与定性评价相结合的方法从全国2700余种中文人文社会科学学术性期刊中精选出学术性强、编辑规范的期刊作为来源期刊。
目前收录包括法学、管理学、经济学、历史学、政治学等在内的25大类的500多种学术期刊，现已开发的CSSCI(1998—2009年)12年度数据，来源文献近100余万篇，引文文献600余万篇。
1.美国《科学引文索引》（Science Citation Index, 简称 SCI ）于1957 年由美国科学信息研究所（Institute for Scientific Information, 简称 ISI）在美国费城创办，是由美国科学信息研究所（ISI）1961 年创办出版的引文数据库。SCI（科学引文索引）、EI（工程索引）、ISTP（科技会议录索引）是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以 SCI 最为重要。2.（SSCI）社会科学引文索引为SCI的姊妹篇，亦由美国科学信息研究所创建，是可以用来对不同国家和地区的社会科学论文的数量进行统计分析的大型检索工具。3.中文社会科学引文索引英文全称为“Chinese Social Sciences Citation Index”，缩写为CSSCI。由南京大学中国社会科学研究评价中心开发研制的数据库，用来检索中文社会科学领域的论文收录和文献被引用情况，是我国人文社会科学评价领域的标志性工程。扩展资料：1.SCI 美国科学信息研究所创建的，收录文献的作者、题目、源期刊、摘要、关键词，不仅可以从文献引证的角度评估文章的学术价值，还可以迅速方便地组建研究课题的参考文献网络。SCI创刊于1961年，SCI(科学引文索引 )、EI(工程索引 )、ISTP(科技会议录索引 ) 是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要。经过40年的发展完善，已从开始时单一的印刷型发展成为功能强大的电子化、集成化、网络化的大型多学科、综合性检索系统。
是最高级别的核心期刊。
cssci全称为Chinese Social Sciences Citation Index，即为中文社会科学引文索引。cssci主要用来检索中文社会科学领域的论文收录和文献被引用情况。
cssci目前收录包括法学、管理学、经济学、历史学、政治学等在内的25大类的500多种学术期刊，现已开发的CSSCI（1998—2009年）12年度数据，来源文献近100余万篇，引文文献600余万篇。
中文社会科学引文索引有印刷版（《中国社会科学研究计量指标——论文、引文与期刊引用统计》），数据库网络版和光盘版，提供多种信息检索途径。来源文献检索途径：篇名、作者、作者所在地区机构、刊名、关键词、文献分类号、学科类别、学位类别、基金类别及项目、期刊年代卷期等。
人工智能和机器学习技术的快速发展，使得AI 主题会议也层出不穷，下面带大家一起了解一下人工智能领域的顶会都有哪些1. CVPR 国际计算机视觉与模式识别会议（CVPR）是IEEE一年一度的学术性会议，会议的主要内容是计算机视觉与模式识别技术。CVPR是世界顶级的计算机视觉会议（三大顶会之一，另外两个是 ICCV 和 ECCV ），近年来每年有约1500名参加者，收录的论文数量一般300篇左右。本会议每年都会有固定的研讨主题，而每一年都会有公司赞助该会议并获得在会场展示的机会。 2. ECCV ECCV 的全称是European Conference on Computer Vision(欧洲计算机视觉国际会议) ，两年一次，是计算机视觉三大会议（另外两个是ICCV和CVPR）之一。每次会议在全球范围录用论文300篇左右，主要的录用论文都来自美国、欧洲等顶尖实验室及研究所，中国大陆的论文数量一般在10-20篇之间。ECCV2010的论文录取率为27% 3.ICCV ICCV 的全称是 IEEE International Conference on Computer Vision，即国际计算机视觉大会，由IEEE主办，与计算机视觉模式识别会议（CVPR）和欧洲计算机视觉会议（ECCV）并称计算机视觉方向的三大顶级会议，被澳大利亚ICT学术会议排名和中国计算机学会等机构评为最高级别学术会议，在业内具有极高的评价。不同于在美国每年召开一次的CVPR和只在欧洲召开的ECCV，ICCV在世界范围内每两年召开一次。ICCV论文录用率非常低，是三大会议中公认级别最高的. 4. ICLR ICLR ，全称为「International Conference on Learning Representations」（国际学习表征会议），2013 年才刚刚成立了第一届。这个一年一度的会议虽然今年(2018)才办到第六届，但已经被学术研究者们广泛认可，被认为「深度学习的顶级会议」。这个会议的来头不小，由位列深度学习三大巨头之二的 Yoshua Bengio 和 Yann LeCun 牵头创办。 5. NIPS NIPS （NeurIPS），全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议。该会议固定在每年的12月举行,由NIPS基金会主办。NIPS是机器学习领域的顶级会议。在中国计算机学会的国际学术会议排名中，NIPS为人工智能领域的A类会议。 6.ICML ICML 是 International Conference on Machine Learning的缩写，即国际机器学习大会。ICML如今已发展为由国际机器学习学会（IMLS）主办的年度机器学习国际顶级会议。 7. IJCV 国际期刊计算机视觉，详细描绘了信息科学与工程这一领域的快速发展。一般性发表的文章提出广泛普遍关心的重大技术进步。短文章提供了一个新的研究成果快速发布通道。综述性文章给与了重要的评论，以及当今发展现状的概括。 8. PAMI PAMI 是IEEE旗下，模式识别和机器学习领域最重要的学术性汇刊之一。在各种统计中，PAMI被认为有着很强的影响因子和很高的排名。 9. AAAI 国际人工智能协会。前身为美国人工智能协会，目前是一个非盈利的学术研究组织，致力于推动针对智能行为本质的科学研究 10. IJCAI IJCAI 全称为人工智能国际联合大会（International Joint Conference on Artificial Intelligence），是国际人工智能领域排名第一的学术会议，为 CCF A 类会议。该会议于 1969 年首度在美国华盛顿召开，随着人工智能的热度日益攀升，原本仅在奇数年召开的IJCAI 自 2015 年开始变成每年召开。 11. ACM/MM ACMMM 是全球多媒体领域的顶级会议，会议每年通过组织大规模图像视频分析、社会媒体研究、多模态人机交互、计算视觉、计算图像等影响多媒体行业的前沿命题竞赛，引领全球新媒体发展方向。 12. TNNLS 从英文翻译而来-IEEE神经网络与学习系统交易是由IEEE计算智能学会出版的月度同行评审科学期刊。它涵盖了神经网络和相关学习系统的理论，设计和应用。
2019 年可以说是「预训练模型」流行起来的一年。自 BERT 引发潮流以来，相关方法的研究不仅获得了 EMNLP 大会最佳论文等奖项，更是在 NLP、甚至图像领域里引领了风潮。
去年也有很多 游戏 AI 取得了超越人类的水平。人工智能不仅已经玩转德州扑克、星际争霸和 Dota2 这样复杂的 游戏 ，还获得了 Nature、Science 等顶级期刊的肯定。
机器之心整理了去年全年 在人工智能、量子计算等领域里最为热门的七项研究 。让我们以时间的顺序来看：
第一个重磅研究出现在 2 月，继发布刷新 11 项 NLP 任务记录的 3 亿参数量语言模型 BERT 之后，谷歌 OpenAI 于 2019 年 2 月再次推出了一种更为强大的模型，而这次的模型参数量达到了 15 亿。这是一种 大型无监督语言模型 ，能够生产连贯的文本段落，在许多语言建模基准上取得了 SOTA 表现。此外，在没有任务特定训练的情况下，该模型能够做到初步的阅读理解、机器翻译、问答和自动摘要。
该模型名为 GPT-2，它是基于 Transformer 的大型语言模型，包含 15 亿参数、在一个 800 万网页数据集上训练而成。训练 GPT-2 有一个简单的目标：给定一个文本中前面的所有单词，预测下一个单词。GPT-2 是对 GPT 模型的直接扩展，在超出 10 倍的数据量上进行训练，参数量也多出了 10 倍。
GPT-2 展示了一系列普适而强大的能力，包括生成当前最佳质量的条件合成文本，其中我们可以将输入馈送到模型并生成非常长的连贯文本。此外，GPT-2 优于在特定领域（如维基百科、新闻或书籍）上训练的其它语言模型，而且还不需要使用这些特定领域的训练数据。在 知识问答、阅读理解、自动摘要和翻译等任务 上，GPT-2 可以从原始文本开始学习，无需特定任务的训练数据。虽然目前这些下游任务还远不能达到当前最优水平，但 GPT-2 表明如果有足够的（未标注）数据和计算力，各种下游任务都可以从无监督技术中获益。
最后，基于大型通用语言模型可能会产生巨大的 社会 影响，也考虑到模型可能会被用于恶意目的，在发布 GPT-2 时，OpenAI 采取了以下策略： 仅发布 GPT-2 的较小版本和示例代码，不发布数据集、训练代码和 GPT-2 模型权重 。
机器学习顶会的最佳论文，总会引起人们的广泛讨论。在今年 6 月于美国加州举办的 ICML 2019（国际机器学习大会）上，由苏黎世联邦理工学院（ETH）、德国马普所、谷歌大脑共同完成的《Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations》获得了其中一篇最佳论文。研究者在论文中提出了一个与此前学界普遍预测相反的观点：对于任意数据，拥有相互独立表征（解耦表征）的无监督学习是不可能的。
论文链接：
在这篇论文中，研究者冷静地审视了该领域的最新进展，并对一些常见的假设提出了质疑。
首先，研究者表示从理论上来看，如果不对模型和数据进行归纳偏置，无监督学习解耦表征基本是不可能的；然后他们在七个不同数据集进行了可复现的大规模实验，并训练了 12000 多个模型，包括一些主流方法和评估指标；最后，实验结果表明，虽然不同的方法强制执行了相应损失「鼓励」的属性，但如果没有监督，似乎无法识别完全解耦的模型。此外，增加的解耦似乎不会导致下游任务学习的样本复杂度的下降。
研究者认为，基于这些理论，机器学习从业者对于超参数的选择是没有经验法则可循的，而在已有大量已训练模型的情况下， 无监督的模型选择仍然是一个很大的挑战 。
去年 6 月，来自德国波恩-莱茵-锡格应用技术大学和谷歌大脑的研究者发表了一篇名为《Weight Agnostic Neural Networks》的论文，进而引爆了机器学习圈。在该论文中，他们提出了一种神经网络架构搜索方法， 这些网络可以在不进行显式权重训练的情况下执行各种任务 。
论文链接：
通常情况下，权重被认为会被训练成 MNIST 中边角、圆弧这类直观特征，而如果论文中的算法可以处理 MNIST，那么它们就不是特征，而是函数序列/组合。对于 AI 可解释性来说，这可能是一个打击。很容易理解，神经网络架构并非「生而平等」，对于特定任务一些网络架构的性能显著优于其他模型。但是相比架构而言，神经网络权重参数的重要性到底有多少？
来自德国波恩-莱茵-锡格应用技术大学和谷歌大脑的一项新研究提出了一种神经网络架构搜索方法，这些网络可以在不进行显式权重训练的情况下执行各种任务。
为了评估这些网络，研究者使用从统一随机分布中采样的单个共享权重参数来连接网络层，并评估期望性能。结果显示，该方法可以找到少量神经网络架构，这些架构可以在没有权重训练的情况下执行多个强化学习任务，或 MNIST 等监督学习任务。
BERT 带来的影响还未平复，CMU 与谷歌大脑 6 月份提出的 XLNet 在 20 个任务上超过了 BERT 的表现，并在 18 个任务上取得了当前最佳效果。
来自卡耐基梅隆大学与谷歌大脑的研究者提出新型预训练语言模型 XLNet，在 SQuAD、GLUE、RACE 等 20 个任务上全面超越 BERT。
作者表示， BERT 这样基于去噪自编码器的预训练模型可以很好地建模双向语境信息，性能优于基于自回归语言模型的预训练方法 。然而，由于需要 mask 一部分输入，BERT 忽略了被 mask 位置之间的依赖关系，因此出现预训练和微调效果的差异（pretrain-finetune discrepancy）。
基于这些优缺点，该研究提出了一种泛化的自回归预训练模型 XLNet。XLNet 可以：1）通过最大化所有可能的因式分解顺序的对数似然，学习双向语境信息；2）用自回归本身的特点克服 BERT 的缺点。此外，XLNet 还融合了当前最优自回归模型 Transformer-XL 的思路。
延伸阅读：
2019 年 7 月，在无限制德州扑克六人对决的比赛中，德扑 AI Pluribus 成功战胜了五名专家级人类玩家。Pluribus 由 Facebook 与卡耐基梅隆大学（CMU）共同开发，实现了前辈 Libratus（冷扑大师）未能完成的任务，该研究已经登上了当期《科学》杂志。
据介绍，Facebook 和卡内基梅隆大学设计的比赛分为两种模式：1 个 AI+5 个人类玩家和 5 个 AI+1 个人类玩家，Pluribus 在这两种模式中都取得了胜利。如果一个筹码值 1 美元，Pluribus 平均每局能赢 5 美元，与 5 个人类玩家对战一小时就能赢 1000 美元。职业扑克玩家认为这些结果是决定性的胜利优势。 这是 AI 首次在玩家人数（或队伍）大于 2 的大型基准 游戏 中击败顶级职业玩家 。
在论文中，Pluribus 整合了一种新的在线搜索算法，可以通过搜索前面的几步而不是只搜索到 游戏 结束来有效地评估其决策。此外，Pluribus 还利用了速度更快的新型 Self-Play 非完美信息 游戏 算法。综上所述，这些改进使得使用极少的处理能力和内存来训练 Pluribus 成为可能。 训练所用的云计算资源总价值还不到 150 美元 。这种高效与最近其他人工智能里程碑项目形成了鲜明对比，后者的训练往往要花费数百万美元的计算资源。
Pluribus 的自我博弈结果被称为蓝图策略。在实际 游戏 中，Pluribus 使用搜索算法提升这一蓝图策略。但是 Pluribus 不会根据从对手身上观察到的倾向调整其策略。
在人工智能之外的量子计算领域，去年也有重要的研究突破。2019 年 9 月，谷歌提交了一篇名为《Quantum supremacy using a programmable superconducting processor》的论文自 NASA 网站传出，研究人员首次在实验中证明了量子计算机对于传统架构计算机的优越性：在世界第一超算 Summit 需要计算 1 万年的实验中，谷歌的量子计算机只用了 3 分 20 秒。因此，谷歌宣称实现「量子优越性」。之后，该论文登上了《自然》杂志 150 周年版的封面。
这一成果源自科学家们不懈的努力。谷歌在量子计算方向上的研究已经过去了 13 年。2006 年，谷歌科学家 Hartmut Neven 就开始 探索 有关量子计算加速机器学习的方法。这项工作推动了 Google AI Quantum 团队的成立。2014 年，John Martinis 和他在加利福尼亚大学圣巴巴拉分校（UCSB）的团队加入了谷歌的工作，开始构建量子计算机。两年后，Sergio Boixo 等人的论文发表，谷歌开始将工作重点放在实现量子计算优越性任务上。
如今，该团队已经构建起世界上第一个超越传统架构超级计算机能力的量子系统，可以进行特定任务的计算。
量子优越性实验是在一个名为 Sycamore 的 54 量子比特的完全可编程处理器上运行的。该处理器包含一个二维网格，网格中的每个量子比特与其他四个相连。量子优越性实验的成功归功于谷歌改进了具有增强并行性的双量子比特门，即使同时操作多个门，也能可靠地实现记录性能。谷歌使用一种新型的控制旋钮来实现这一性能，该旋钮能够关闭相邻量子比特之间的交互。此举大大减少了这种多连通量子比特系统中的误差。此外，通过优化芯片设计来降低串扰，以及开发避免量子比特缺陷的新控制校准，谷歌进一步提升了性能。
虽然 AI 没有打败最强人类玩家 Serral，但其研究的论文仍然登上了 Nature。2019 年 10 月底，DeepMind 有关 AlphaStar 的论文发表在了当期《Nature》杂志上，这是人工智能算法 AlphaStar 的最新研究进展，展示了 AI 在「没有任何 游戏 限制的情况下」已经达到星际争霸Ⅱ人类对战天梯的顶级水平，在 Battle.net 上的排名已超越 99.8％的活跃玩家 。
回顾 AlphaStar 的发展历程，DeepMind 于 2017 年宣布开始研究能进行即时战略 游戏 星际争霸Ⅱ的人工智能——AlphaStar。2018 年 12 月 10 日，AlphaStar 击败 DeepMind 公司里的最强玩家 Dani Yogatama；12 月 12 日，AlphaStar 已经可以 5:0 击败职业玩家 TLO 了（TLO 是虫族玩家，据 游戏 解说们认为，其在 游戏 中的表现大概能有 5000 分水平）；又过了一个星期，12 月 19 日，AlphaStar 同样以 5:0 的比分击败了职业玩家 MaNa。至此，AlphaStar 又往前走了一步，达到了主流电子竞技 游戏 顶级水准。
根据《Nature》论文描述，DeepMind 使用通用机器学习技术（包括神经网络、借助于强化学习的自我博弈、多智能体学习和模仿学习）直接从 游戏 数据中学习。AlphaStar 的 游戏 方式令人印象深刻——这个系统非常擅长评估自身的战略地位，并且准确地知道什么时候接近对手、什么时候远离。此外，论文的中心思想是将 游戏 环境中虚构的自我博弈扩展到一组智能体，即「联盟」。
联盟这一概念的核心思想是：仅仅只是为了赢是不够的。相反，实验需要主要的智能体能够打赢所有玩家，而「压榨（exploiter）」智能体的主要目的是帮助核心智能体暴露问题，从而变得更加强大。这不需要这些智能体去提高它们的胜率。通过使用这样的训练方法，整个智能体联盟在一个端到端的、完全自动化的体系中学到了星际争霸Ⅱ中所有的复杂策略。
2019 年在 AI 领域的各个方向上都出现了很多技术突破。新的一年，我们期待更多进展。
此外，机器之心于 2019 年 9 月底推出了自己的新产品 SOTA 模型，读者可以根据自己的需要寻找机器学习对应领域和任务下的 SOTA 论文，平台会提供论文、模型、数据集和 benchmark 的相关信息。
1）“北大核心”：北京大学图书馆“中文核心期刊”，即北京大学图书馆与北京高校图书馆期刊工作研究会联合编辑出版的《中文核心期刊要目总览》，每四年修订一次，目前是2012版。2）“南大核心”：南京大学“中文社会科学引文索引（CSSCI)来源期刊”3）中国科学技术信息研究所“中国科技论文统计源期刊”（又称“中国科技核心期刊”），4）中国社会科学院文献信息中心“中国人文社会科学核心期刊”，5）中国科学院文献情报中心“中国科学引文数据库（CSCD）来源期刊，6）中国人文社会科学学报学会”中国人文社科学报核心期刊，7）万方数据股份有限公司的“中国核心期刊遴选数据库”。
土木工程顶级期刊排名：
1岩土工程学报，2建筑结构学报，3土木工程学报，4岩石力学与工程学报，5建筑结构，6工业建筑，7哈尔滨建筑大学学报，8中国给水排水，9岩土力学。
《岩土工程学报》于1979年创刊，主要刊登土力学和岩石力学领域中能代表我国理论和实践水平 的论文、报告、实录等。被中国学术期刊文摘、中国科学引文数据库、中国科技论文统计与分析数据库等收录，被美国工程索引（Ei Page One）等海外文摘收录。已加入中国学术期刊光盘版及中国期刊网。获国家自然科学基础性高科技学术期刊经费资助。
《建筑结构学报》是由中国科学技术协会主管，中国建筑学会主办的学术性刊物，创刊于1980年，2010年起为月刊，大16开，112页，至2010年已出版了31卷。
宗旨在报道和交流建筑结构领域中代表我国学术水平的最新研究成果，反映本学科发展最新动态和趋势，推动国内外的学术交流，主要刊登建筑结构、抗震防振、地基基础等学科的基础理论研究、应用研究和科学实验技术的学术论文，研究报告及最新进展动态，为我国建筑科学技术研究的发展服务。
自动化领域三大顶级期刊是自动化学报、控制与决策、控制理论与应用。
《自动化学报》主要刊载自动化科学与技术领域的高水平理论性和应用性的科研成果，据2018年3月学报官网显示，学报第十三届编委会拥有82名编委。
据2018年3月中国知网显示，《自动化学报》出版文献量5804篇、总下载次数1776345 次、总被引次数103508 次，（2017版）复合影响因子为2.620、（2017版）综合影响因子为1.658。
《自动化学报》，无疑是国内自动化&机器人领域的最牛刊，是由中国科学院自动化研究所、中国自动化学会主办的，目前有中文版和英文版两种。《自动化学报》英文刊，是从学报录用文章中选出了四期文章，中英文对应发表，中文发表在《自动化学报》，英文发表在ScienceDirect上。
2013年12月，《自动化学报》（英文版）与IEEE正式签署国际合作备忘录，确认期刊名称为IEEE/CAA Journal of Automatica Sinica，简称为JAS，由中国自动化学会和IEEE共同组成指导委员会、编委会。