关于举办美国东北大学孙浩教授学术讲座的通知

发布时间:2021-06-02设置

讲座题目:Data-driven Discovery of Physics: When Deep

Learning Meets Symbolic Reasoning

数据驱使下的物理发现:当深度学习遇到符号推理

讲座时间:20216410:0011:00

讲座地点:腾讯会议 ID690 6817 7764

直 播 间:https://meeting.tencent.com/l/TFw9B2ku7AMn

报 告 人:孙浩 教授(美国东北大学)

欢迎广大师生参加。

  

  

土木与交通学院

202162

  

  

报告人简介:

孙浩,美国东北大学土木与环境工程系以及人工智能研究所终身序列助理教授、博导(2018至今),先进传感与数据科学实验室主任,麻省理工学院兼职研究员。孙浩带领的团队致力于物理驱动深度学习法、复杂时空系统人工智能识别与控制、控制方程找型、符号学习与推理、基础设施健康监测与智能化管理等方面研究,涵盖人工智能、数据科学、分布式传感技术、高性能计算建模、概率推理、复杂物理系统、工程力学等多学科深度交叉。在国际一流期刊和计算机顶会等各类刊物上共发表论文40余篇;研究受到美国科学基金委等机构资助。“福布斯美国3030岁以下精英榜(科学类)”,“美国十大华人杰出青年”;担任国际综合期刊PLOS ONE学科主编。

  

报告摘要:

Harnessing data to model and discover complex physical systems has become a critical scientific problem in many science and engineering areas. The state-of-the-art advances of AI (in particular deep learning thanks to its rich representations for learning complex nonlinear functions) have great potential to tackle this challenge, but in general (i) rely on a large amount of rich data to train a robust model, (ii) have generalization/extrapolation issues, and (iii) lack of interpretability and explainability, with little physical meaning. To bridge the knowledge gaps between AI and complex physical systems in the sparse/small data regime, this talk will introduce the integration of bottom-up (data-driven) and top-down (physics-based) processes through a Physics-informed Learning and Reasoning paradigm for discovery of discrete and continuous dynamical systems.

在当前科学和工程诸多领域,利用数据来建模和发现复杂的物理系统已经成为关键问题之一。人工智能的最新发展(尤其是深度学习在学习复杂非线性函数方面的丰富表现)在应对这一挑战中游有较大的潜力,但是也存在诸如(i)较为依赖大量数据来训练稳定的模型、(ii)存在泛化/外推问题,以及(iii)缺乏阐述性及可解释性且几乎没有物理意义等问题。为了在稀疏/小数据情形下弥合人工智能和复杂物理系统之间的鸿沟,本讲座将介绍通过物理信息学习和推理范式整合自下而上(数据驱动)和自上而下(基于物理)的过程,以发现离散和连续的动态系统。


返回原图
/