4月9日 物理信息驱动的机器学习方法研究

报告时间：4月9日（周三）上午9：30-11：00

报告地点：8-1控制大厅三楼会议室

报告人：苏航

主持人：徐国盛

报告内容简介： 

物理信息驱动的机器学习（PIML）通过深度融合物理规律的先验知识与数据驱动方法，在偏微分方程（PDEs）求解领域展现出显著优势。本报告围绕物理信息驱动的PDE求解方法，分别从算子设计、预训练模型构建以及评测基准建立三个方面展开研究。首先，在算子设计方面，我们提出了通用神经运算符变换器（GNOT）和非均匀神经运算符（NUNO）。其中，GNOT创新性地采用基于Transformer结构的掩码重构机制，并结合多编码/解码头与通道注意力机制，可有效处理具有不同几何结构、分辨率和物理变量的多样化数据，灵活适应不规则网格和多尺度场景。NUNO则针对非均匀数据分布的特性，提出了一种高效的算子学习方案。在预训练模型构建方面，我们针对PDE数据集普遍存在的数据稀缺、轨迹较长且维度变化大的现实挑战，设计了一种基于傅里叶注意力（Fourier Attention）的自回归去噪预训练策略，构建了规模高达10亿参数的偏微分方程基础模型（PDE Foundation Model），实现了在超过10个不同类型PDE数据集、总计10万余条轨迹上的稳定、高效预训练，并在典型应用场景中取得了当前业界领先（SOTA）的泛化性能。最后，我们建立了PINNacle评测基准，提供统一、公平的评测体系，以系统化地衡量不同物理信息神经网络（PINNs）方法在处理复杂PDE问题时的效果，为科学机器学习方法的后续发展提供重要的技术支撑与规范化工具。

报告人简介：

苏航，清华大学计算机系副研究员，入选国家“万人计划”青年拔尖人才，主要研究鲁棒机器学习和具身决策等相关领域，发表CCF推荐A类会议和期刊论文100余篇，谷歌学术论文引用15000余次，受邀担任人工智能领域顶级期刊IEEE TPAMI和Artificial Intelligence的编委，IEEE生成式大模型安全工作组主席，获得吴文俊人工智能自然科学一等奖，ICME铂金最佳论文、MICCAI青年学者奖和AVSS最佳论文等多个学术奖项，曾率队在NeurIPS2017对抗攻防等多个国际学术比赛中获得冠军。现任中国图像图形学会青工委执委、曾任VALSE执行AC委员会主席，NeurIPS21的领域主席（Area Chair）、AAAI22 Workshop Co-Chair等。