面向复杂系统快速计算的模型-数据双驱动方法

报告人：刘吉英 国防科技大学

个人简介：

刘吉英，国防科技大学教授、博士生导师。2004年获国防科技大学应用数学专业学士学位、2010年获国防科技大学系统科学专业博士学位。主要从事装备系统试验数据处理、数字化试验基础理论及应用研究，提出的高精度数据处理、系统建模与优化等方法在相关单位得到了实际应用，推动了相关装备的建设。主持国家自然科学基金、国家重点研发计划子课题、国防科技创新特区重点项目课题等国家/军队级项目20余项，出版专著1部、在Physic Review Letters等期刊发表论文40余篇。获军队科技进步一等奖1项、二等奖3项，国家教学成果二等奖1项、军队教学成果一等奖1项。获军队优秀专业技术人才岗位津贴、国防科技大学优秀教师表彰。

报告摘要：从微观到宏观，如不同尺度的复杂系统常涉及到科学计算问题，传统方法难以兼顾计算的规模、精度和时间成本。深度学习技术的快速发展提供了一种有效的方法，并以展现出较好的应用效果，但当深度学习研究对象的复杂度进一步提升时，传统“端到端”网络在可解释性和鲁棒性等方面的缺陷制约了其进一步发展。本报告针对复杂系统高效率、高精度、可解释的科学计算问题，结合物理约束先验知识、从稳健高效的迭代算法出发，探索模型信息和训练数据相结合的网络形式，构建“模型-数据”双驱动的可解释深度网络，并介绍在典型领域中的应用结果。