CCF学科前沿讲习班

The CCF Advanced Disciplines Lectures

CCF ADL第127期

主题 AI+Science

2022年8月27日 至 8月29日 北京

本期CCF学科前沿讲习班ADL127《AI + Science》，对科学智能这一新兴人工智能前沿交叉领域的基础方法、典型应用进行系统性介绍，既涵盖物理启发人工智能、反问题机器学习、可解释数理方程符号学习、几何深度学习等基础理论和方法，又包括开源平台和社区发展与实践、复杂系统建模与仿真、求解计算力学问题、未知规律知识挖掘、药物发现等跨学科场景应用介绍。本期讲习班邀请了领域内6位来自于国内外高校和企业科研机构的优秀学者，为该领域的青年学者作主题报告，帮助学员开阔科研视野、增强实践能力。

学术主任：孙浩 中国人民大学

主办单位：中国计算机学会

本期ADL主题《AI+Science》,由中国人民大学高瓴人工智能学院长聘副教授、博导孙浩担任学术主任，邀请到张林峰（深势科技创始人兼首席科学家）、董彬（北京大学长聘副教授、博导）、王建勋（美国圣母大学长聘序列助理教授、博导）、虞琦（美国加州大学圣地亚哥分校长聘序列助理教授、博导）、唐建（加拿大蒙特利尔高等商学院和MILA人工智能研究所长聘副教授、博导）为青年学者作主题报告。

活动日程：

特邀讲者：

张林峰 深势科技

讲者简介：张林峰，北京深势科技有限公司创始人、首席科学家，北京科学智能研究院副院长、研究员。2020年博士毕业于普林斯顿大学应用数学系，2016年本科毕业于北京大学元培学院。林峰通过有效结合机器学习和多尺度建模方法，有效解决了计算化学、分子模拟、增强采样等方向中的一些关键问题。共发表50余篇论文，发展了DeePMD-kit等开源软件和DeepModeling开源社区。林峰作为核心开发者的工作获得2020年度高性能计算领域最高奖ACM戈登贝尔奖。

报告题目：AI for Science开源社区发展的实践与思考

报告摘要：AI for Science正在成为学界和业界极为关注的话题。它将有望推动科研范式和产业形态的新一轮升级，同时也面临着很多挑战。在本报告中，我将分享在推动DeepModeling——一个致力于打造AI for Science时代基础设施平台的开源社区——过程中的实践与思考。我将着重探讨“开源模式”在这一语境下的必要性和困难，也将结合在深势科技和北京科学智能研究院的实践，分享一系列从创新到落地的实际案例。

孙浩 中国人民大学

讲者简介：孙浩，中国人民大学高瓴人工智能学院“长聘副教授、博导”，国家高层次人才青年专家，麻省理工学院兼职研究员、美国东北大学兼职教授。2014年在美国哥伦比亚大学取得工程力学博士学位，随后在麻省理工学院从事博士后研究，曾任美国匹兹堡大学、美国东北大学终身序列助理教授、博导。主要从事科学智能、人工智能数理基础与理工交叉研究，包含可诠释性深度学习、基于物理信息的深度学习、符号强化学习与推理、数据驱动复杂动力系统建模与识别、控制方程找型、基础设施健康监测与智能化管理等方向。在国际一流SCI期刊（如《自然-通讯》）和计算机顶会等各类重要刊物上共发表论文50余篇；研究成果受到了几十家国际知名媒体的广泛报导（例如《福克斯新闻》、《麻省理工新闻》、《科学日报》、《麻省理工科技评论》等）。188体育app官网：入选福布斯美国“30位30岁以下精英榜（科学类）”，2019年当选“美国十大华人杰出青年”。

报告题目：Symbolic Learning of Governing Equations

报告摘要：科学探索，也许是人工智能领域新兴而最具有星辰大海想象空间的方向之一。大到宇宙天体运动演化，小到混乱无序的分子运动，在过去几个世纪中，科学家们前赴后继，探寻简单、优雅、和谐的数学符号方程，来描述大千世界的普适规律。从经典力学、电磁学到量子力学，一个又一个被发现的规律，在人类科学发展进程中留下浓墨重彩。而世界如此之广袤，还有太多的科学奥秘，未被人类发掘和定义。当AI成长为挖掘海量数据信息的关键利器，它为探索科学问题开启了一扇新的大门。这个报告将介绍符号学习与推理基本概念和方法，讨论如何从数据中提取数理方程，进一步探索用于描述未知系统状态的数学方程或定律。

王建勋 美国圣母大学

讲者简介：Dr. Jian-Xun Wang is a tenure-track assistant professor of Aerospace and Mechanical Engineering at the University of Notre Dame. Dr. Wang completed his Ph.D. in Aerospace Engineering at Virginia Tech in 2017 and followed it with a one-year postdoctoral scholar appointment at the University of California, Berkeley before joining Notre Dame in 2018. Dr. Wang has a multidisciplinary research background, cutting cross scientific machine learning, data assimilation, Bayesian inference, uncertainty quantification, and computational mechanics. In particular, his research focus is at the interface of physics-informed deep learning, data-driven modeling, scientific computing, and physics-based computational mechanics. He has (co-) led research projects with $4M funds sponsored by multiple agencies, including NSF, AFSOR, DARPA, CICP, etc. Dr. Wang received the NSF CAREER Award in 2021 and the Top 10 Outstanding Chinese American Youth Award in 2022. Dr. Wang also serves on the editorial board of Nature Scientific Report, and he is a member-at-large of the US. Association of Computational Mechanics (USACM) Technical Thrust Area on Uncertainty Quantification.

报告题目：Scientific Machine Learning for Computational Mechanics

报告摘要：High-fidelity modeling and simulation of complex physics systems based on partial differential equations (PDEs) and numerical discretization have been developed for decades and have achieved great success. Nonetheless, efficiently solving these PDEs (e.g., Navier-Stokes equations) with high accuracy in many scenarios (e.g