ADL127《AI + Science》开始报名-线上线下同步举办

阅读量:97
hmli

CCF学科前沿讲习班

The CCF Advanced Disciplines Lectures

CCF ADL第127期

主题 AI+Science

2022年12月16日~18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8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,邀请到王磊(中科院物理所研究员)、董彬(北京大学长聘副教授、博导)、陆璐(美国宾夕法尼亚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)、黄文炳(中国人民大学高瓴人工智能学院长聘序列助理教授、博导)、张林峰(深势科技创始人兼首席科学家)为青年学者作主题报告。


活动日程

具体日程会前发送到参会学员邮箱


12月16~18日(周五~周日)

专题讲座1:Machine  Learning for Inverse Problems

董彬 北京大学 长聘副教授、博导

专题讲座2:几何机器学习方法及其在科学任务上的应用

黄文炳 中国人民大学高瓴人工智能学院助理教授

专题讲座3:Deep Neural  Operators for Multiphysics, Multiscale, & Multifidelity Problems

陆璐  美国宾夕法尼亚大学助理教授

专题讲座4:Symbolic  Learning of Governing Equations

孙浩 中国人民大学 长聘副教授、博导 

专题讲座5:Geometric  Deep Learning for Drug Discovery

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

专题讲座6:Generative  AI for Science

王王磊,中科院物理研究所研究员

专题讲座7:Physics-Guided  AI for Learning Spatiotemporal Dynamics

虞琦 美国加州大学圣地亚哥分校 长聘序列助理教授、博导

专题讲座8:AI for  Science开源社区发展的实践与思考

张林峰 深势科技 创始人兼首席科学家


讲者介绍


董彬  

北京大学


讲者简介:董彬,北京国际数学研究中心长聘副教授、国际机器学习研究中心副主任、大数据分析与应用国家工程实验室研究员、国家生物医学成像科学中心研究员。2003年本科毕业于北京大学数学科学学院、2005年在新加坡国立大学数学系获得硕士学位、2009年在美国加州大学洛杉矶分校数学系获得博士学位。博士毕业后曾在美国加州大学圣迭戈分校数学系任访问助理教授、2011-2014年在美国亚利桑那大学数学系任助理教授,2014年底入职北京大学。主要研究领域为科学计算、机器学习及其在计算成像和数据分析中的应用。现任期刊《Inverse Problems and Imaging》编委、《CSIAM Transactions on Applied Mathematics》、《Journal of Computational Mathematics》、《Journal of Machine Learning》副主编。2014年获得求是杰出青年学者奖,2022年受邀在世界数学家大会(ICM)做45分钟报告。


报告题目:Machine Learning for Inverse Problems


报告摘要:报告将围绕科学计算和计算成像中的一些重要问题(如电磁仿真和流体计算中的逆向设计与模型约减、医疗影像重建与分析等),结合报告人个人科研经验,介绍机器学习如何与传统方法相结合从而进一步推动反问题算法的研究。

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。


王磊

中科院物理所


讲者简介:王磊,中科院物理研究所研究员。2006 年本科毕业于南京大学,2011 年在中国科学院物理研究所获得博士学位, 此后在苏黎世联邦理工学院从事计算量子物理的博士后研究,2016 年加入中科院物理所工作。主要研究兴趣是深度学习与量子多体计算。


报告题目:Generative AI for Science


报告摘要:报告将围绕科学计算中的一些重要问题(如量子力学等),介绍生成式人工智能的基本概念、理论、方法以及其在解决科学问题中的应用。


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”,国家高层次青年人才,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交叉前沿研究,包含可诠释性深度学习、物理启发深度学习、符号强化学习与推理、数据驱动复杂动力系统建模与识别、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Nature Communications)和计算机顶会(如ICLR、NeurIPS)等各类重要刊物上共发表论文50余篇;主持和共同主持国家自然科学基金委、美国科学基金委等基础和应用研究项目十余项(共计2600余万元);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》、《科学日报》、《麻省理工科技评论》等)。2018年入选福布斯北美“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:从数据中自动发现物理规律


报告摘要:现代科学的发展主要依赖于简洁而优美的数学方程,得益于符号方程可解释、可通用的特征,即便是复杂系统,其运行机制也可以被完美诠释。从数据中自动挖掘、提取控制方程作为一类典型的符号回归问题,是自然科学发展和工程应用中数据助力科学探索的前沿挑战。该报告将介绍符号学习与推理基本概念和方法,讨论如何从数据中自动提取数理方程,进一步探索用于描述未知系统状态的数学方程或定律。 


陆璐

美国宾夕法尼亚大学


讲者简介:Dr. Lu Lu is an Assistant Professor in the Department of Chemical and Biomolecular Engineering at University of Pennsylvania. He is also a faculty of Graduate Group in Applied Mathematics and Computational Science and of Penn Institute for Computational Science. Prior to joining Penn, he was an Applied Mathematics Instructor in the Department of Mathematics at Massachusetts Institute of Technology from 2020 to 2021. He obtained his Ph.D. degree in Applied Mathematics at Brown University in 2020, master's degrees in Engineering, Applied Mathematics, and Computer Science at Brown University, and bachelor's degrees in Mechanical Engineering, Economics, and Computer Science at Tsinghua University in 2013. Lu's current research interest lies in scientific machine learning, including theory, algorithms, software, and its applications to engineering, physical, and biological problems. His broad research interests focus on multiscale modeling and high performance computing for physical and biological systems. He has received the 2022 U.S. Department of Energy Early Career Award, and 2020 Joukowsky Family Foundation Outstanding Dissertation Award of Brown University.


报告题目:Deep Neural Operators for Multiphysics, Multiscale, & Multifidelity Problems


报告摘要:It is widely known that neural networks (NNs) are universal approximators of continuous functions. However, a less known but powerful result is that a NN can accurately approximate any nonlinear continuous operator. This universal approximation theorem of operators is suggestive of the structure and potential of deep neural networks (DNNs) in learning continuous operators or complex systems from streams of scattered data. In this talk, I will present the deep operator network (DeepONet) to learn various explicit operators, such as integrals and fractional Laplacians, as well as implicit operators that represent deterministic and stochastic differential equations. I will also present several extensions of DeepONet, such as DeepM&Mnet for multiphysics problems, DeepONet with proper orthogonal decomposition (POD-DeepONet), MIONet for multiple-input operators, and multifidelity DeepONet. More generally, DeepONet can learn multiscale operators spanning across many scales and trained by diverse sources of data simultaneously. I will demonstrate the effectiveness of DeepONet and its extensions to diverse multiphysics and multiscale problems, such as nanoscale heat transport, bubble growth dynamics, high-speed boundary layers, electroconvection, and hypersonics.


虞琦

美国加州大学圣地亚哥分校


讲者简介:Dr. Rose Yu is an assistant professor at the University of California San Diego, Department of Computer Science and Engineering. Her research focuses on advancing machine learning techniques for large-scale spatiotemporal data analysis, with applications to sustainability, health, and physical sciences. A particular emphasis of her research is on physics-guided AI which aims to integrate first principles with data-driven models. Among her awards, she has won NSF CAREER Award, Faculty Research Award from JP Morgan, Facebook, Google, Amazon, and Adobe, Several Best Paper Awards, Best Dissertation Award at USC, and was nominated as one of the MIT Rising Stars in EECS.


报告题目:Physics-Guided AI for Learning Spatiotemporal Dynamics


报告摘要:Applications such as public health, transportation, climate science, and aerospace engineering require learning complex dynamics from large-scale spatiotemporal data. Such data is often non-linear, non-Euclidean, high-dimensional, and demonstrates complicated dependencies. Existing machine learning frameworks are still insufficient to learn spatiotemporal dynamics as they often fail to exploit the underlying physics principles. I will demonstrate how to inject physical knowledge in AI to deal with these challenges. I will showcase the application of these methods to problems such as forecasting COVID-19, traffic modeling, accelerating turbulence simulations, and combating ground effect in quadcopter landing.



唐建

加拿大蒙特利尔高等商学院和MILA人工智能研究所


讲者简介:Jian Tang is currently an associate professor at Mila-Quebec AI Institute and also at Computer Science Department and Business School of University of Montreal.  He is a Canada CIFAR AI Research Chair. His main research interests are graph representation learning, graph neural networks, geometric deep learning, deep generative models, knowledge graphs and drug discovery. During his PhD, he was awarded with the best paper in ICML2014; in 2016, he was nominated for the best paper award in the top data mining conference World Wide Web (WWW); in 2020, he is awarded with Amazon and Tencent Faculty Research Award. He is one of the most representative researchers in the growing field of graph representation learning and has published a set of representative works in this field such as LINE and RotatE. His work LINE on node representation learning has been widely recognized and is the most cited paper at the WWW conference between 2015 and 2019.  Recently, his group just released an open-source machine learning package, called TorchDrug, aiming at  making AI drug discovery software and libraries.


报告题目:Geometric Deep Learning for Drug Discovery


报告摘要:Drug discovery is a very long and expensive process, taking on average more than 10 years and costing $2.5B to develop a new drug. Artificial intelligence has the potential to significantly accelerate the process of drug discovery by extracting evidence from a huge amount of biomedical data and hence revolutionizes the entire pharmaceutical industry. In particular, graph representation learning and geometric deep learning--a fast growing topic in the machine learning and data mining community focusing on deep learning for graph-structured and 3D data---has seen great opportunities for drug discovery as many data in the domain are represented as graphs or 3D structures (e.g. molecules, proteins, biomedical knowledge graphs). In this talk, I will introduce our recent progress on geometric deep learning for drug discovery and also a newly released open-source machine learning platform for drug discovery, called TorchDrug.


黄文炳

中国人民大学


讲者简介:黄文炳,中国人民大学高瓴人工智能学院助理教授、博导。曾在清华大学产业研究院担任助理研究员,腾讯AI Lab担任高级研究员。研究方向包括几何机器学习理论方法、几何机器学习在机器人感知与决策任务上的应用、科学知识嵌入的机器学习等。尤其在图神经网络GNN方面,做出了若干代表性工作:提出了训练深度图神经网络的方法DropEdge,获得了国内外同行一定的关注,发表以来谷歌学术引用近600次(截至2022年9月),被集成到若干公开图学习平台(如PyG);提出了面向大规模图的图神经网络高效训练方法AS-GCN,谷歌学术引用300余次(截至2022年9月),成功应用到腾讯亿级社交网络的风控业务。曾获国际会议IROS机器人比赛冠军、腾讯犀牛鸟专项研究卓越奖、NeurIPS Outstanding Reviewer等奖项。


报告题目:几何机器学习方法及其在科学任务上的应用


报告摘要:本报告从对称性的角度,梳理当前以图神经网络为代表的几何机器学习的发展脉络,并介绍其在物理系统模拟、药物小分子设计、蛋白质建模等科学任务上的典型应用案例。


学术主任


孙浩


中国人民大学高瓴人工智能学院“长聘副教授、博导”,国家高层次青年人才,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交叉前沿研究,包含可诠释性深度学习、物理启发深度学习、符号强化学习与推理、数据驱动复杂动力系统建模与识别、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Nature Communications)和计算机顶会(如ICLR、NeurIPS)等各类重要刊物上共发表论文50余篇;主持和共同主持国家自然科学基金委、美国科学基金委等基础和应用研究项目十余项(共计2600余万元);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》、《科学日报》、《麻省理工科技评论》等)。2018年入选福布斯北美“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”。 


时间:2022年12月16日 ~18日

线下地址(疫情允许的情况下):北京•中科院计算所四层报告厅(北京市海淀区科学院南路6号)

线上地址:报名交费成功后通过邮件发送。


报名须知:

1、报名费:CCF会员2800元,非会员3600元。食宿交通费用自理。根据交费先后顺序,会员优先的原则录取,额满为止。疫情期间,根据政府疫情防控政策随时调整举办形式(线上、线下)。

2、报名截止日期:12月14日。报名请预留不会拦截外部邮件的邮箱,如qq邮箱。

3、咨询邮箱 : adl@ccf.org.cn


缴费方式:

在报名系统中在线缴费或者通过银行转账:

银行转账(支持网银、支付宝):

开户行:招商银行北京海淀支行

户名:中国计算机学会

账号:110943026510701

请务必注明:ADL127+姓名

报名缴费后,报名系统中显示缴费完成,即为报名成功。

报名方式:

报名方式:请选择以下两种方式之一报名:

1、扫描(识别)以下二维码报名:

  


2、复制以下链接至浏览器或点击左下角“阅读原文”报名:

https://conf.ccf.org.cn/ADL127


读完这篇文章后,您心情如何?