嘉宾简介:虞琦(Rose Yu),加州大学圣地亚哥分校计算机科学与工程系助理教授;致力于推进用于大规模时空数据分析的机器学习技术,并将其应用于可持续发展、健康和物理学领域;重点研究物理知识指导下的人工智能(physics-guided AI),旨在将第一性原理与数据驱动模型相结合;曾获摩根大通、Facebook、谷歌、亚马逊和 Adobe 颁发的...
报告时间:2022年06月15日 (星期三)晚上20:00 (北京时间) 主题:AI for Science之物理信息驱动的深度学习主持人:黄高 (清华大学) Panel嘉宾:陆路 (Upenn)、王建勋 (University of Notre Dame)、许志钦 (上海交大)、孙浩 (中国人民大学) Panel议题: 1. 神经网络相比于传统数值方法在哪些问题上有潜在的优势?
嘉宾简介:虞琦(Rose Yu),加州大学圣地亚哥分校计算机科学与工程系助理教授;致力于推进用于大规模时空数据分析的机器学习技术,并将其应用于可持续发展、健康和物理学领域;重点研究物理知识指导下的人工智能(physics-guided AI),旨在将第一性原理与数据驱动模型相结合;曾获摩根大通、Facebook、谷歌、亚马逊和 Adobe 颁发的...
2024 年诺贝尔物理奖与化学奖都颁给“AI for Science”相关领域,这一重大事件无疑为该领域的蓬勃发展注入了强劲动力。在科学研究的新范式——“AI for Science”时代,基于数据驱动的机器学习力场(ML-FFs)成功化解了第一性原理电子结...
报告嘉宾:陆路 (Upenn) 报告时间:2022年06月15日 (星期三)晚上20:00 (北京时间) 报告题目:Learning operators using deep neural networks for diverse applications 报告人简介: Lu Lu is an Assistant Professor in the Department of Chemical and Biomolecular Engineering at University of Pennsylvania. He is...
天体演化分析是指通过物种时变还原天区物理环境演化路径和预测新物种,完整和准确的天体化学反应网络是演化推理的关键基础。但受限于天体化学实验的难度和高昂成本,现有天体化学反应网络拓展难度大。本研究采用数据驱动方法,调研现代深度学习技术,基于Transformer框架和Graph编码器,首次提出天体化学反应网络拓展的整体算法框架,...
4.1 物理约束 1) PINN 2) 基于PINN的改进方法 3) 可测量标签数据下的偏微分方程神经网络求解方法 4.2 数据驱动 1) 基于CNN的求解方法 2) 基于其他网络的偏微分方程求解方法 3)应用案例 4.3 物理驱动 1)全连接神经网络(FC-NN)求解偏微分方程 2)CNN求解偏微分方程 AI for Science Hi,大家好!我是Pascal_M,...
从软硬件协同角度,AI for Science的发展既离不开深度学习框架的支持,也无法脱离底层高性能硬件的支撑。一方面,AI for Science需要更加科学地求解真实物理问题,如高阶PDE方程组的求解,以及数据+物理机理驱动的模型开发。另一方面,传统的科学计算中心已广泛支持各类科研任务,在其持续增加智能计算硬件能力的同时,也需要科学...
AI for Science的计算特点 当前AI for Science存在数据驱动、物理驱动以及“物理+数据”融合三种主要计算模式。 蛋白质结构预测AlphaFold2是数据驱动模式的代表,通过对输入的模型数据进行自监督训练,训练得到的神经网络可以预测蛋白质结构的三维坐标。数据驱动模式的计算过程对于大数据处理、分布式训练、混合精度训练等极致算力...
从软硬件协同角度,AI for Science的发展既离不开深度学习框架的支持,也无法脱离底层高性能硬件的支撑。一方面,AI for Science需要更加科学地求解真实物理问题,如高阶PDE方程组的求解,以及数据+物理机理驱动的模型开发。另一方面,传统的科学计算中心已广泛支持各类科研任务,在其持续增加智能计算硬件能力的同时,也需要科学...