AI for Science作为人工智能领域的一个新兴分支，正逐渐展现出其强大的潜力和广泛的应用前景。随着高性能计算、深度学习算法以及科学大数据的不断进步和积累，AI for Science已经在物理、化学、生物、材料科学等多个学科领域取得了显著成果。
近年来，国内外的研究机构、高校以及科技公司纷纷加大在此领域的投入，致力于开发更加先进的AI模型和算法，以推动科学研究的深入创新。AI for Science的应用不仅加速了科学实验的进程，还提高了数据分析的准确性和效率，为科学家提供了新的研究视角和方法。
来自百度公司的资深研发工程师陈凯报告题目是“百度飞桨——人工智能技术创新与科学计算探索”。报告全面介绍了百度飞桨深度学习平台及其在AI科学计算领域的广泛应用。百度通过飞桨平台在芯片层、框架层、模型层和应用层的多维度布局，推进了AI在科学计算中的应用，特别是在流体计算、气象预报和生物计算等领域取得了显著成果。同时，百度飞桨通过优化技术、支持开源工具和科研合作，不断推动AI科学计算的进步与发展。
来自西安交通大学的助理教授郭振东报告题目是“物理信息增强的智能流场预测方法研究”。报告围绕叶轮机械智能设计优化展开，重点探讨了物理信息增强的智能流场预测方法。通过嵌入物理知识、融合多源数据以及利用降阶模型，提高了模型的泛化能力和预测精度。研究涵盖从二维到三维的建模，展示了AI在复杂工程问题中的巨大潜力。
《
Deep learning for multi-fidelity data fusion and uncertainty quantification
》
来自华中科技大学的教授孟旭辉报告题目是“Deep learning for multi-fidelity data fusion and uncertainty quantification”。报告聚焦于多保真度数据融合与不确定性量化，重点介绍了在高质量数据稀缺情
况下，通过融合不同精度数据提高模型精度的方法。他展示了神经网络在逼近任意连续函数上的能力，并探讨了数据噪音与不完整性对预测不确定性的影响，提出了基于不确定性量化的优化策略，有效提升了预测精度。
来自中国科学院力学研究所的副研究员孙振旭报告题目是“基于物理信息神经网络的风场数据同化”。报告聚焦于基于物理信息的神经网络风场数据同化技术，重点介绍了如何通过融合多种测量数据和物理方程来提升风场预测的精确性。研究通过构建融合PINN的多元数据同化框架，成功实现了高分辨率风场重构，并探讨了不同数据类型和位置对同化精度的影响，为风力发电厂环境感知提供了新的技术路径。
AI for Science日新月异，希望本次活动能够给大家带来启发和思考，促进技术的发展。
活动预告
|
期数
|
日期
|
所属
SIG
|
主题
|
形式
|
|
TF148
|
9月12日
|
算法与
AI
|
教育大模型研究与应用
|
线上
|
CCF TF技术前线(Tech Frontier)创立于2017年6月，旨在为工程师提供顶级交流平台，更好地服务企业界计算机专业人士，帮助企业界专业技术人士职业发展，通过搭建平台实现常态化合作和发展，促进企业间、学术界与企业间技术交流。目前已组建知识图谱、数据科学、智能制造、架构、安全、智能设备与交互、数字化转型与企业架构、算法与AI、智能前端、工程师文化、研发效能、质量工程等十二个SIG(Special Interest Group)，提供丰富的技术前线内容分享。
欢迎关注CCFTF及CCF业务总部公众号，精彩陆续开启！
