5月27日上午，bat365中文官方网站在千佛山校区东配楼四层会议室举办第223期能动学术论坛。本次论坛邀请到北京理工大学孙玉标教授以“物理驱动的深度神经网络设计及其参数优化应用”为主题做报告。bat365中文官方网站数十名师生参加了此次论坛。齐建荟副研究员主持了此次论坛。
在报告中，孙玉标教授首先向与会者介绍了机器学习及神经网络的基本概念。并深入分析了传统Fluent和CFD模型在处理高维度多参数模型时的局限性。他强调，机器学习的主要目标是构建替代模型，以取代传统的Fluent和CFD工具进行复杂的模拟和计算。孙教授指出，随着计算需求的增加，基于深度学习的替代模型在节省计算资源和时间方面展示出显著优势。
随后，孙教授详细介绍了他的研究成果，包括传统的物理驱动深度神经网络架构、参数耦合的物理驱动深度神经网络架构、物理驱动神经网络参数优化流程、攻角优化流程及结果等单参数优化设计。接着孙玉标教授介绍了自己在高维度优化结果方面的研究内容。为获得高维度多参数空间内PDE约束优化过程中的流场信息，通常需要对计算网格进行重新划分或对现有网格进行变形，这需要大量的计算、运行速度较慢且难以保证精度。孙教授在其研究中提出一个可以有效处理复杂优化问题的基于实际物理现象的机器学习框架，该方法能够同时对物理场进行预测和运行参数、边界条件进行优化。
在报告结束后的交流讨论环节，孙玉标教授对N-S方程及损失函数预测方程进行了深入的解析，并就预测模型中取点的问题进行了阐释。随后他解释了隐藏层中的函数方程对科研工作者来说始终是一个黑匣子，是仍需探索的领域。
嘉宾简介：
孙玉标，北京理工大学教授、博士生导师，国家级高层次青年人才，英国皇家学会牛顿学者。2018年于澳大利亚昆士兰大学获得博士学位，先后在新加坡国立大学和剑桥大学从事博士后研究。孙教授长期从事流动换热、空气动力学、人工智能、太阳能发电和储氢材料开发等方面研究，开发的复合冷却技术大幅改善了太阳能电站的发电效率。主持国内外十余项科研项目，发表SCI学术论文20余篇，获授权发明专利2项，出版英文学术专著一部。
(文字：卓然/图片：卓然/责任编辑：刘晓凤)
