清华主页 EN
导航菜单

机器学习方法在偏微分方程求解中的应用

来源: 03-17

时间:09:50 - 12:15, every Thursday, 3/17/2022 - 6/30/2022

地点:1118&Zoom ID:361 038 6975,密码:BIMSA

组织者:张晓明

主讲人:张晓明

 要:

This course reviews the publications of the recent decade on using machine learning methods in solving partial differential equations, such as Physics Informed Neural Network (PINN). The course will include the materials on direct method, inverse method, reduced order modeling, and the assimilation of various types of observational data.


预备知识:

Basic knowledge on numerical methods for partial differential equations and neural network methods


主讲人简介:

Education:

BS    Zhejiang University

MS    Peking University

PHD  MIT

Work Experience: Aerodyne Research, Earth Tech, China Zhejiang Textile Industry Group

Research Interest: Big data, AI, Numerical Modeling

Publication or Honor: PI of 14 national projects, 40+ research papers, China national specially-invited expert.


返回顶部
相关文章
  • 探索神经网络解微分方程的理论与应用

    Abstract在这个报告中,我将讨论我们组在神经网络方法解微分方程这个领域的探索。内容包括1)从频率角度理解神经网络方法的特点,并提出多尺度网络结构;2)算子学习的特点以及在反问题的应用;3)解高维刚性常微分方程中的采样问题,展示我们在燃烧化学反应动力学方程中用神经网络替代模型的结果。Speaker Intro许志钦,上海交通大学自然科学研究院/数学科学学院长聘教轨副教授。2012年本科毕业于上海交通大学致远学院。2016年...

  • 科学史讲座预告 | 第八十四讲:神经网络量子态求解薛定谔方程的方法及算法研究

    神经网络量子态求解薛定谔方程的方法及算法研究主讲人:胡憾石时间:12月12日 19:20~20:50地点:宁斋摘要电子结构理论是量子化学的核心基础。传统量子化学领域已发展出密度泛函理论、从头算波函数理论等关键方法,并在分子性质预测、反应机制解析等方面取得了突破性成果。尽管相关计算方法持续迭代优化,但量子化学计算长期面临的 “指数墙” 难题(即计算复杂度随体系电子数呈指数增长),仍是制约其向大分子、复杂体系拓展的...