全站搜索
首页_赢咖4星辉-官方注册地址
首页_赢咖4星辉-官方注册地址
赢咖4注册张东晓院士课题组:领域知识嵌入、具有理论约束的建模研究与偏微分方程挖掘算法
作者:管理员    发布于:2021-10-13 12:33    文字:【】【】【

  机器之心知识站与国际顶尖实验室及研究团队合作,将陆续推出系统展现实验室成果的系列技术直播,作为深入国际顶尖团队及其前沿工作的又一个入口。赶紧点击「阅读原文」关注起来吧!

  10 月 13 日 -10 月 15 日,最新一期「机器之心走近全球顶尖实验室」邀请到智慧能源张东晓院士课题组带来分享。课题组是南方科技大学、鹏城实验室和北京大学成立的联合实验室,由张东晓院士负责。

  张东晓院士是美国亚利桑那大学博士、美国国家工程院院士,现任南方科技大学副校长、教务长。国家杰出青年科学基金获得者,美国地质学会会士 ( GSA Fellow ) 、国际石油工程师协会 SPE 最高荣誉会员。研究领域为能源与环境,其随机理论建模、数值计算、机器学习等方面的成果已被国际同行广泛采用。

  智慧能源张东晓院士课题组的研究方向为能源领域典型应用的机器学习算法和人工智能技术、深度学习 TgNN(Theory-guided Neural Network)理论基础和应用技术、能源领域大数据技术的基础理论和应用技术等。

  10 月 13 日 -10 月 15 日,鹏城实验室博士后陈云天、北京大学工学院博士生王楠哲、北京大学工学院博士徐浩将分别带来分享,介绍最新的工作进展,详情如下:

  1 ) 数据稀缺,难以训练参数量巨大的机器学习模型。比如,能源行业的数据收集通常昂贵且耗时,一口页岩气井的成本高达 3000 万至 8000 万人民币,而对于数据驱动模型而言只是一个有效样本。

  2 ) 对模型可解释性和鲁棒性要求高,对于忽略领域知识的纯数据驱动黑箱模型接受度低。

  3 ) 具有较强的综合性,存在机理与成因复杂、变量间具有高维非线性映射关系、场景复杂多样等问题。

  与此同时,人类在生产实践中积累的行业经验、专业知识以及物理机理是最宝贵的财富,但是当前工业应用中的机器学习模型大多未能有效利用领域知识,既是知识资源浪费也严重制约了机器学习的使用范围与应用水平。

  通过在机器学习模型中融合领域知识,我们有望打通算法与知识间的壁垒,构建出更加适用于工业应用的机器学习模型。已有研究表明通过引入领域知识,可以打破模型效果提升的瓶颈,进一步提升模型的预测准确度和鲁棒性。

  分享摘要:本次分享将探讨将定性和定量的领域知识嵌入到机器学习建模全流程中的方法。重点关注通过各类知识嵌入技术,在数据预处理模型结构设计、模型效果评估、以及模型反馈更新环节嵌入知识,构建具有物理常识的机器学习模型。

  分享嘉宾:陈云天,鹏城实验室博士后。本科毕业于清华能源动力系统及自动化。博士以优秀毕业生身份提前毕业于北大工学院。研究方向为领域知识与机器学习算法的融合。以第一作者 / 通讯作者发表论文 11 篇,获得授权专利 10 项。

  深度学习近年来在多个领域取得了巨大的进展,包括图像识别、自然语言处理、自动驾驶、语音识别等。除了人工智能领域,深度学习也被应用到生物医药、经济金融、化学物理等各种学科中。但是仍存在一些问题限制了深度学习在各个学科领域的应用。

  首先,深度学习模型通常需要大量的训练数据来保证准确性。然而在许多科学与工程实践中,数据采集既耗时又费力。如果缺少足够的数据,模型可能会表现出较低的可靠性和较差的泛化能力。

  其次,深度学习模型通常是纯数据驱动,在模型训练过程中不考虑问题背后的科学原理或规律,这可能导致对某些具体科学问题产生不合理的预测输出。

  为了克服这些局限性,很多学者尝试将物理准则或实践经验与深度学习模型进行融合,将科学理论、工程控制作为先验知识,利用这些先验知识在训练过程中对深度学习模型进行约束,来提升模型在一些专业学科问题中的准确性和鲁棒性。

  分享摘要:本次分享将介绍基于全连接神经网络和卷积神经网络所构建的具有理论约束的深度学习模型,即 Theory-guided Neural Network ( TgNN ) 与 Theory-guided Convolutional Neural Network ( TgCNN ) ,两种模型分别通过自动微分和有限差分实现物理方程的赢咖4约束。此外,此报告以地下渗流问题为例,介绍了所构建的模型在工程问题中的应用。

  分享嘉宾:王楠哲,北京大学工学院博士生,直博四年级,本科毕业于中国石油大学(北京)。曾获得北京市优秀毕业生,北京市三好学生,北京大学校长奖学金、学术创新奖等荣誉。研究方向为具有理论约束的深度学习模型,地下渗流问题中的替代模型构建与反问题建模等。目前以第一作者在领域内 top 期刊发表论文 6 篇。

  控制方程提供了物理问题的基本描述,传统意义上的控制方程是通过守恒定律与物理定律推导出的。但是第一性原理推导可能不适用于解决一些复杂的问题,例如神经科学、生态学、地下水流动与模糊的原位过程、跨尺度模型等。因此,当存在可用的时空数据时,数据驱动的方法为挖掘物理问题的控制方程提供了另一个可行的选择。

  不同于传统的公式推导方式,数据驱动的偏微分方程挖掘试图从观测数据中直接抽象出数据背后潜藏的物理规律。这种方式更加贴合数据本身,而且无需额外的物理信息(如边界条件等)。这种尝试古已有之,其中最为著名的历史事件莫过于 17 世纪初,开普勒利用第谷遗留下来的观测资料,经过长期繁复的计算和无数次失败,最终发现了行星运动的三条定律,奠定了天体力学的基础。

  随着大数据时代的到来以及计算机性能的飞速提高,利用机器学习算法进行数据驱动的模型挖掘得到了越来越多的关注。

  分享摘要:本次分享探讨利用机器学习算法进行数据驱动的偏微分方程挖掘,重点关注小数据量,高噪声,变系数,非完全备选集等关键问题,构建具有鲁棒性的偏微分方程挖掘算法。

  分享嘉宾:徐浩,北京大学工学院博士生。本科毕业于北京大学工学院能源与环境系统工程专业。曾获得北京市优秀毕业生,北京大学校长奖学金等荣誉。研究方向为数据驱动的偏微分方程挖掘。以第一作者发表论文 5 篇。

  直播间:关注机器之心机动组视频号,北京时间 10 月 13 日 -15 日晚 7 点开播。

  机动组是机器之心发起的人工智能技术社区,聚焦于学术研究与技术实践主题内容,为社区用户带来技术线上公开课、学术分享、技术实践、走近顶尖实验室等系列内容。机动组也将不定期举办线下学术交流会与组织人才服务、产业技术对接等活动,欢迎所有 AI 领域技术从业者加入。

相关推荐
  • 赢咖4注册美国国防部前官员称中国在人工智能、机器学习等领域不断进步正占据全球主导地位外交部回应
  • 赢咖4注册张东晓院士课题组:领域知识嵌入、具有理论约束的建模研究与偏微分方程挖掘算法
  • 赢咖4使用数据分析成为有利可图交易的五种方法
  • 赢咖4娱乐计算机架构的机器学习
  • 赢咖42021年全球手术机器人行业市场规模与细分市场结构分析 细分稳步发展
  • 赢咖4英媒:五角大楼首席软件官“愤怒辞职”抗议美军技术转型缓慢不能忍受眼看着中国超越美国
  • 赢咖4嵊泗县海洋与渔业局召开高质量发展建设共同富裕示范区专题学习会
  • 赢咖4封装基板行业深度报告(二)
  • 赢咖4娱乐曾经用 60 年才能完成的工作如今只要几个小时:机器学习能快速揭示细胞内部结构!
  • 赢咖4只要几小时!机器学习能快速揭示细胞内部结构
  • 脚注信息
    版权所有 Copyright(C)2020 星辉娱乐
    网站地图|xml地图|友情链接: 百度一下