随着AI技术的快速发展，AI与科学工程领域正逐渐深度融合，并取得了如AlphaFold蛋白质结构预测模型、FourCastNet气象预测模型等里程碑式的应用成果。为了向科研工作者提供强大的技术支持与工具保障，基于飞桨框架开发的 PaddleScience 致力于将AI技术应用于科学计算与模拟领域，解决传统科学计算中面临的复杂问题与瓶颈，推动科学研究的深入与发展。
课程简介
为进一步帮助科研从业者与爱好者
了解和使用AI技术
，将AI技术真正应用于学术科研中，百度飞桨团队特别推出《飞桨AI for Science前沿讲座》和《飞桨AI for Science代码入门与实操》系列课程，旨在为广大的老师与同学提供一个多学科交叉、开放共享的学习和实践平台。通过邀请各领域内的专家学者，分享人工智能在科研领域的前沿应用。
飞桨AI for Science前沿讲座系列课程:
https://aistudio.baidu.com/course/introduce/32993
飞桨AI for Science代码入门与实操课程:
https://aistudio.baidu.com/course/introduce/32984
《飞桨AI for Science前沿讲座》
课程安排
《飞桨AI for Science前沿讲座》系列课程第四期
的有关安排
新鲜出炉
，12 月 7 日起每周二、周四下午，邀请知名学者分享人工智能在力学、材料科学、有机化学等领域的前沿知识。第四期课程具体安排如下：
报告摘要：
探讨鱼类的间歇性游动的机制对于仿生机器鱼的设计至关重要。间歇游动是状态由具有两个连续阶段波动-滑行的循环组成，即由鱼肌肉驱动的主动波动阶段，然后是被动滑行阶段。鱼类通过改变波动与滑行的比率来调节维持的速度以及消耗的功率。本文将鱼类的运动学与其流体动力学性能联系起来：游泳速度和效率，采用基于浸没边界法的数值仿真方法广泛研究了进行间歇游动的自主运动的水动力特性，我们发现间歇游动与连续巡航游泳相比，可以节省鱼类消耗的能量，并且存在最右的滑行比，会呈使得鱼类的能量利用效率达到最高。紧接着本文通过深度强化学习，探索出最优的滑行比，并分析其中的涡动力学特性，讨论间歇步态对涡流中能量的利用机制。基于上述研究，为仿生机器鱼的步态设计奠定基础。
个人简介：
银波，中国科学院力学研究所副研究员。主要开展计算流体力学算法（浸没边界法）、流固耦合、仿生流体力学等研究， 建立了完善的数值模拟分析平台，形成了一套自主仿生模拟软件，针对扑翼飞行，柔性推进和多相流耦合问题，开展仿真分析和工程化应用研究。曾任在美国高斯国际公司、美国派克斯公司从事研发工作。
报告题目
（二）
：
机器学习赋能的材料显微结构解析
报告摘要：
材料的原子级结构（如空位、晶界、相态、层错等）显著影响其电学、光学、力学、催化等性能，也是理解材料微观结构向宏观性质传递规律的关键环节。透射电子显微术是表征材料原子尺度结构信息的重要手段。然而，人工分析显微图像存在耗时长、精度低、门槛高、对图片质量敏感、难以获得统计学结论等局限。因此，亟需开发高精度、高效率、高鲁棒、自动化的显微图像识别与分析方法。本报告将介绍（1）利用等变图神经网络，对结构多样、且存在随机大尺度晶格畸变缺陷的精准识别；以及（2）利用解耦表征学习的生成式模型，构建显微图像高质量数据库，进而实现对二维范德华界面复杂层错（包括滑移堆垛和扭角堆垛花样）原子级结构的解析。
个人简介：
王珊珊，国防科技大学副研究员、博导、材料科学与工程系副主任；北京大学深圳研究生院新材料学院院长助理（兼）。致力于结合人工智能技术，开发材料智能化表征与可控制备的新方法、新工具。以第一/通讯作者在Advanced Materials、Matter、Chem、ACS Nano等期刊发表论文30余篇。获国家优青、湖南省优青、欧洲显微学大会“青年科学家”奖、入选中国科协“青年人才托举”工程；担任SmartMat,《国家科学进展》青年编委。
报告题目（三）：
开源第一性原理材料计算软件ABACUS
报告时间
：
2025 年 1 月 14 日
报告摘要：
基于量子力学的第一性原理材料计算方法特别是密度泛函理论（
Density Functional Theory
，简称
DFT
）方法在材料设计中逐渐扮演着更重要的角色。因为
DFT
较好地平衡了精度和效率，逐渐成为应用最为广泛的第一性原理材料计算方法。然而，在该领域我国的软件发展和国外仍有差距，并且随着对材料领域的深入研究，对
DFT
的精度和效率也有更高的需求。本次报告将介绍国产开源密度泛函理论软件
ABACUS
（原子算筹）的最新进展，包括在机器学习领域发展的新算法和国产硬件适配方面所作的工作，报告将重点介绍过去几年里
ABACUS
软件的开源生态发展情况。
个人简介：
陈默涵，北京大学工学院力学与工程科学系、应用物理与技术研究中心助理教授，研究员，博士生导师。长期致力于发展原子尺度的模拟新算法及相关软件，取得了一系列有重要意义的研究成果。截至2022年12月25日，已发表SCI论文53篇，被引用1732次（Google Scholar），H-index 22。在PRL, Nature Chemistry，Science Advances,PNAS，Nuclear Fusion等国际核心学术刊物发表论文。研究成果被Nature Chemistry，Chemistry World，Princeton Plasma Physics Laboratory 等学术网站或科技媒体报道。申请人作为主要完成人开发了两套密度泛函理论计算软件ABACUS（15 万行代码）和PROFESS3.0（6 万行代码），目前参与开源社区DeepModeling的电子结构计算软件的建设。
报告题目（四）：
基于传统CFD及PINNs方法的对流-扩散-吸附问题研究
报告时间
：
2025 年 1 月 16 日
报告摘要：
液体溶液、胶体或悬浮液的对流-扩散-朗缪尔吸附（ADLA）过程出现在许多生物医学和化学工程领域。
该系统的动力学可以用所谓的对流-扩散-反应（ADR）方程来描述，并且受到五个无量纲数的显著影响。
在这项研究中，我们利用有限差分法（FDM），针对选定参数值的情况，系统地求解了二维平面泊肃叶流中的ADLA 方程。
依据最大吸附通量的分布情况，我们确定了两种不同的状态，并讨论了每种状态下传质的主导机制以及无量纲参数的影响。
在极端条件下，传CFD方法求解这些方程需要巨大的计算量。
随后，我们在PaddlePaddle框架下，利用物理信息神经网络（PINNs）来求解此类的ADLA 方程。
验证结果表明，相较于有限差分法，对于扩散主导型案例，PINN 所得到的浓度场误差在 10% 以内，平均吸附量误差在 7.2% 以内；
对于平流主导型案例，相应误差分别在 20% 和 2.5% 以内。
总之，PINNs可为求解 ADR 方程提供一种高效且精确的技术。
个人简介：
华浩波，男，理学博士学位，国家超算郑州中心流体网络高性能计算实验室研究员主任，硕士研究生导师。主要研究兴趣：高性能异构计算，CFD多相流及流固耦合算法，能源管网模拟仿真。
《飞桨AI for Science代码入门与实操》
课程安排
《飞桨AI for Science代码入门与实操》系列课程
第四期的有关安排
新鲜出炉
，12 月 13 日起每周一19:00 ，邀请知名学者分享
代码入门知识与实践经验
。第四期课程具体安排如下：
报告题目：
面向地球观测数据分析的人工智能技术：从时空关联到物理知识建模
报告时间
：
2025 年 1 月 13 日
报告摘要：
This talk explores the application of artificial intelligence (AI) in Earthobservation data analysis, focusing on spatiotemporal correlation and physicalknowledge modeling. Earth observation data, collected from satellites andsensors, are complex and high-dimensional, presenting unique challenges foranalysis. I will introduce two innovative approaches: Spatial-Temporal AwareDeep Learning and Physical-Constrained Deep Learning. The first enhancesweather forecasting by capturing spatiotemporal dynamics using advanced neuralnetworks, improving predictive accuracy. The second integrates physical lawsinto climate downscaling, ensuring predictions align with fundamental climateprinciples. These methods demonstrate how AI can bridge data-driven analysiswith physical knowledge, advancing our understanding of Earth's systems andimproving environmental predictions
