CNCC | 第二届“AI+复杂系统”前沿论坛：从机制理解走向预测控制

李勇

清华大学长聘副教授/博导

CCF普适计算专业委员会执行委员，博士、清华大学电子工程系副教授、博士生导师。长期从事数据科学与智能方面的科研工作，作为负责人承担自然科学基金重点、国家重点研发计划等项目，在Nature子刊、KDD、NeurIPS、WWW等国际会议与期刊发表论文100余篇，文章引用20000余次。先后入选教育部长江学者、全球“高被引科学家”、国家青年拔尖人才计划，获教育部科技进步一等奖、电子学会自然科学二等奖、吴文俊人工智能优秀青年奖。

林伟

复旦大学教授/博导

复旦大学特聘教授/博导，上海人工智能实验室联合首席科学家，现任复旦大学教务处处长、智能复杂体系基础理论与关键技术实验室主任，研究兴趣包括随机系统、复杂网络、数据同化、因果分析及其在计算系统生物学和人工智能中的应用。林教授于2003年1月获得中国上海复旦大学应用数学博士学位，2013年和2019年获得国家自然科学基金优秀青年基金和杰出青年基金资助。曾获得2019年国际华人数学家大会最佳论文奖、2020年上海市自然科学奖一等奖等奖项。

复杂系统的重建与预测：机器学习驱动方法

本次演讲将回顾机器学习技术与复杂动力系统之间的关系，还将介绍该领域的最新进展，包括储备池计算（RC）理论的发展、RC在系统重构和预测、变点检测、跟踪不稳定周期轨道以及非线性动力系统的噪声驱动控制中的应用。演讲最后将对上述方向的未来研究提出一些看法。 

李大庆

北京航空航天大学教授/博导

北京航空航天大学可靠性与系统工程学院教授/博导。长期从事复杂系统管理研究，揭示了复杂网络体系的脆弱性机理，提出了复杂网络体系设计、评估和调控方法。在PNAS、Nature Physics、Nature Communications、TRB等发表成果。主持了国家杰青项目、优青项目、北京市国合专项、装发预研项目等；获国防科技进步一等奖等；长期在交通、航天等领域开展应用实践。担任管理科学与工程学会复杂系统管理专委会副主任、指挥与控制学会系统可靠性专委会副主任等。

航空安全的体系视角初探

航空安全是复杂系统管理的主要场景之一。这里将从三个科学问题入手，分析航空安全紧迫形势，探索构建航空安全核心是提升体系安全能力、搭建体系安全架构、形成体系安全逻辑。其中体系安全能力要从风险的认知—缓解—消解能力等方面整体提升；体系安全架构要透过超网络视角构建；体系安全逻辑要在自主规章制定中探索逻辑安全、从韧性管理角度推进运行安全。 

范长俊

国防科技大学副教授

国防科技大学系统工程学院副教授，国防科技大学本科、硕士和博士，美国加州大学洛杉矶分校联合培养博士。主要研究方向是人工智能与复杂系统，及其在智能指挥控制中的应用。以第一及通讯作者在Nature Machine Intelligence、Nature Communications、AAAI、EMNLP、CIKM等顶级期刊和会议发表学术论文30余篇。主持与参与10余项国家和军队级重大项目。担任中国指挥与控制学会信息融合专委会副总干事，湖湘青年英才。先后获吴文俊人工智能科技进步一等奖、世界人工智能大会青年优秀论文奖、CICC优博论文奖和国防科技大学青年创新一等奖。

人工智能驱动的复杂系统优化计算

复杂系统优化计算在复杂系统的分析、控制和决策等问题上应用广泛，但由于复杂系统要素众多、约束复杂，很多优化问题的可行解空间是组合爆炸的，导致传统方法难以有效应对大规模的问题求解。随着以图网络、强化学习代表的人工智能技术兴起，这类NP难的复杂系统优化计算问题有了新的求解思路。本报告首先介绍人工智能驱动的复杂系统优化求解的发展和挑战，然后介绍团队在复杂网络瓦解、伊辛模型基态求解等优化计算问题上的研究成果，最后讨论该方向上仍待解决的难点问题和未来有前景的发展方向。 

郑书新

微软亚洲研究院首席研究员

微软亚洲研究院首席研究员，领导科学基础模型研究项目。他的研究兴趣涵盖通用AI与生成式AI，以及它们在科学领域的应用。他带领团队多次在科学智能(AI for Science)主题的国际竞赛中夺冠，并在顶级人工智能或科学期刊上发表20余篇论文，引用超过2000次。郑书新研究员长期担任国际顶级AI会议与期刊审稿人，并在清华大学、中科院和微软人工智能学院等担任客座讲师，讲授《机器学习方法与应用基础》和《高等机器学习》课程。

当生成式AI遇到复杂网络的动态奥秘：超越AlphaFold2

复杂网络的动态行为是科学研究中的重要课题，也是难题。例如，分子系统的动态变化可以揭示生命科学、化学、材料等领域的深刻原理和实际应用，如疾病的机制、反应的路径、材料的特性、药物的设计等。然而，由于分子系统网络的高度复杂性和动态模拟的巨大代价，科学家们往往难以深入探索，也难以推动应用创新。目前，最先进的人工智能算法如AlphaFold2等，也仅能预测复杂网络的单个静态结构，而忽略了动态性的丰富信息。本次分享将介绍Distributional Graphormer（DiG），一种新颖的使用生成式AI直接预测分子系统动态平衡分布的方法。DiG既解决了AlphaFold2等工作无法得到动态信息的问题，也解决了传统动力学模拟昂贵耗时的问题，为研究分子系统的复杂网络开辟了新的机会。

丁璟韬

清华大学博士后研究员

清华大学电子工程系数据科学与智能实验室博士后研究员，于清华大学电子工程系获得学士（2015年）、博士学位（2020年），主要研究方向为AI驱动的时空复杂系统生成式建模及应用，在NeurIPS、WWW、KDD、IJCAI、Ubicomp、TKDE、TOIS等国际会议与期刊发表学术论文40余篇，担任KDD、WSDM、NeurIPS、ICML、ICLR、AAAI等国际会议的程序委员会委员（PC member），曾获2018年国际万维网大会（WWW 2018）最佳海报论文奖、国际会议IEEE IWCWC 2019、ACM HotPOST 2015最佳论文奖。

人类复杂移动的生成式建模方法研究

鉴于从宏观观测数据直接归纳城市复杂系统各微观要素间的非线性交互极具挑战，本工作提出知识演绎与数据归纳不断迭代的生成式建模方法，生成模型基于知识融合的微观机制仿真得到宏观规律（即知识演绎部分），与实证数据比对差异，进而在微观机制空间搜索更新更优解（即数据归纳部分），两者迭代循环。本工作将该方法应用到城市复杂移动模拟问题中，提出深度协同学习方法，微观层面设计考虑群体-个体交互的移动决策模型，基于宏观群体移动的演绎结果，采用强化学习中的策略梯度方法进行模型优化更新，实现复杂移动行为的高保真模拟。