随机动力学广泛应用于物理、化学、生物学等领域。例如，在生物系统中，基因调控网络和生态系统的种群演化等展现了随机动力学的重要性。这些系统通常包含高维状态变量和显著的随机性，因此，描述这些状态变量的高维概率分布及其演化是一项困难的任务。比如，稀有事件和多峰分布在这些系统中很常见， 使得准确计算概率分布充满挑战。此外，噪声还会引发系统状态的转换，例如在多稳态系统中，噪声可能导致系统从某个局部区域转移到另一个区域。对于研究高维随机动力系统，传统数值方法面临计算复杂度较高或精度不足的问题。因此，开发高效的研究随机动力学的计算方法对多个科学领域具有重要意义。近年来，机器学习为此类问题提供了新的途径。本周四的
「非平衡统计物理」读书会
邀请到电子科技大学教授汤迎，深入介绍机器学习应用于随机动力学系统中的进展。
为了探讨统计物理学的前沿进展，集智俱乐部联合西湖大学理学院及交叉科学中心讲席教授汤雷翰、纽约州立大学石溪分校化学和物理学系教授汪劲、德累斯顿系统生物学中心博士后研究员梁师翎、香港浸会大学物理系助理教授唐乾元，以及多位国内外知名学者共同发起
「非平衡统计物理」读书会
。读书会从12月12日开始，计划每周四晚20:00-22:00进行，持续时间预计12～15周。欢迎感兴趣的朋友一起讨论交流！
机器学习和非平衡动力学有着深厚的联系。我们将介绍机器学习应用在典型的随机动力学系统中的进展。对于离散状态变量的随机动力学，变分自回归神经网络能帮助高效计算系统的自由能、概率分布的演化和动力学相变，适用于经典和量子的自旋系统、化学反应网络等。对于连续状态变量，机器学习方法如储备池计算等，能学习和预测随机微分方程的噪音诱导现象。这些结果说明机器学习可以帮助研究非平衡动力学，为机器学习随机动力学提供了范例，并启发了更多人工智能在科学领域中的应用前景。
（1）追踪随机化学反应网络的概率分布演化；
（2）揭示非平衡统计力学中的动力学相变；
（3）通过变分量子线路计算量子系统自由能变化；
随机动力学
变分自回归神经网络
主方程
非平衡统计物理
自由能等式
汤迎
，电子科技大学教授。研究领域为机器学习、统计物理、随机动力学等。近期研究成果包括：提出了演化神经网络的方法追踪高维随机反应网络演化；设计了基于神经网络的算法揭示非平衡统计力学中的动力学相变规律；发展了时间序列动力学互信息的计算框架等。2013年在上海交通大学致远学院获得学士学位，2018年在上海交通大学物理与天文学院获得博士学位，其中2016-2018年是加州大学圣迭戈分校物理系联合培养博士。2018-2021年在加州大学洛杉矶分校从事博士后研究，2021-2024年在北京师范大学珠海校区系统科学系任特聘副研究员，2024年起任电子科技大学教授。
个人主页：https://jamestang23.github.io/
时间：
2025年2月13日（周四）晚19:00-21:00
斑图链接：https://pattern.swarma.org/study_group_issue/849
扫码参与
「非平衡统计物理」读书会
，加入群聊，获取系列读书会回看权限，加入统计物理社区，与社区的一线科研工作者沟通交流，共同推动这一前沿领域的发展。
