邀请报告

刘杰，国防科技大学，研究员

国防科技大学研究员，博士生导师，银河/天河超算系统副总师，军队超算中心主任，高端装备数字化软件省重点实验室主任。主要从事并行算法、高性能计算应用、智能科学计算研究工作，主持国家重点研发计划等项目20项，获国家科学技术进步特等奖和二等奖各1项，国家创新争先奖牌奖1项、省部级一等奖4项。国家发明专利授权40余项，发表论文200余篇，2021年度ACM戈登贝尔奖提名。享受国务院政府特殊津贴。

报告题目：基于网格离散的偏微分方程智能求解软件框架

报告摘要：偏微分方程的求解是科学与工程计算的核心，采用智能算法求解偏微分方程成为研究热点，能否研制偏微分方程智能求解软件框架是一个挑战性问题。偏微分方程高效全流程数值求解包括网格生成前处理、数值求解和可视化后处理，本报告围绕基于网格离散的偏微分方程智能求解，开展体系化智能算法研究，提出了多种智能化前处理算法、智能数值求解算法和智能可视化后处理算法，包括智能网格质量判别方法、智能网格生成方法、深度学习流场计算方法和漩涡智能可视化提取方法等，初步研制了偏微分方程求解全流程智能求解软件框架YH-AI4PDE，开源多个网格样本数据集用于流体智能计算，开展了典型应用案例测试与验证。

贾伟乐，中国科学院计算技术研究所，研究员

中国科学院计算技术研究所研究员，博导。致力于高性能计算、人工智能和第一性原理计算；智能科学计算（HPC+AI）研究，主持基金委重点和面上项目、科技部重点研发青年科学家、国家级人才计划等项目。参与研发的高性能深度学习分子动力学软件，比同类型软件效率提高4个数量级，被广泛应用（软件被用户应用在Nature, Science, PRL上发表文章）。先后获2020年ACM戈登贝尔奖，入选2020年两院院士评选的中国十大科技进展新闻。研究工作也入围了2022年ACM戈登贝尔奖，获得2022年中国超算最佳应用奖。获得2021年SIGHPC新星奖，2023年中国智能计算创新人物奖。

报告题目：科学智能在分子动力学领域的应用

报告摘要：从原子尺度出发的微观科学计算面临着计算方法和效率的挑战。科学智能(AI for Science)的发展，尤其是高性能计算与人工智能方法的结合为其注入了新的活力。本报告将汇报我们组在相关领域的一些工作，包括利用高性能计算用于高精度的数据产生、科学智能的大规模并行训练和HPC+AI在第一性原理精度分子动力学大规模模拟的工作。最终总结这个领域目前面临的挑战。

吴建国，北京大学， 长聘副教授、研究员

北京大学工学院长聘副教授、国家海外青年人才引进专家。2009年获得清华大学机械工程学士学位，2015年获得威斯康星大学麦迪逊分校工业与系统工程博士学位，2015年任教于德克萨斯大学艾尔帕所分校工业与系统工程系，2017年加入北大工学院。主要研究领域为先进制造与复杂系统质量与可靠性研究。在Technometrics， IEEE T-PAMI, IEEE T-Signal Processing等领域顶尖或权威期刊发表论文五十余篇，担任工业与系统工程旗舰期刊IISE Transactions、Journal of Intelligent Manufacturing以及IEEE Robotics and Automation Letters副主编，曾获得美国制造工程师学会E. Wayne Kay 奖、美国德克萨斯大学系统STARS Award、美国制造科学与工程年会BOSS奖、美国工业与系统工程（IISE）年会以及美国运筹与管理科学（INFORMS）年会最佳论文奖等奖项。

报告题目：高斯过程代理模型的迁移学习方法

报告摘要：高昂的计算资源消耗是复杂系统数值仿真技术发展的一个重要瓶颈问题。代理模型为该问题提供了一个很好的解决方案：基于已有仿真数据训练的数据模型，可以快速地给出未知输入下的仿真结果和不确定性度量。然而，现在的科学研究往往涉及多个相关联的仿真系统，如何从数据丰富的源系统，向感兴趣的目标系统进行信息迁移，提升在小样本条件下的目标系统代理模型的精度，具有十分重要的学术和应用价值。为此，我们研究了一系列基于高斯过程的迁移学习方法，实现了多系统条件下对于可迁移系统的筛选、可迁移区域的识别，大大提升了代理模型的精度和稳定性。

孟琪，中国科学院数学与系统科学研究院，副研究员

2018年于北京大学获得博士学位, 后入职微软研究院机器学习组任首席研究员（Principal Researcher），现为中国科学院数学与系统科学院副研究员。从事机器学习理论，机器学习与科学计算等方向的研究，于机器学习国际会议及期刊发表文章40余篇，长期担任ICML, Neurips, TPAMI等会议和期刊审稿人。

报告题目：Towards universal physics-informed neural operator

报告摘要：AI-powered scientific computing represents a paradigm shift in the realm of scientific research and computation that integrates artificial intelligence into traditional scientific computing, offering unprecedented opportunities for enhanced efficiency and accelerated scientific discovery. As the AI foundation models have achieved success in language or vision tasks, we seek the opportunity on solving partial differential equations. In this talk, we will introduce several designs of AI approaches towards universal neural operator that incorporate the physical knowledge into the AI models to enhance the efficiency and accuracy in evolving the dynamic systems governed the several partial differential equations.

张浩，中物院计算机应用研究所，副研究员

中国工程物理研究院计算机应用研究所副研究员，应用数学博士，硕士研究生导师。主要研究方向为机器学习在科学计算和工程仿真中的应用。参与或负责国防科技创新特区163计划重点项目、中物院数字化重大课题、中国人民解放军某部重点课题等，获中国人民解放军某部技术一等奖，发表学术论文22篇，多篇论文进入 ESI 数学学科检索排名前1%与10%。

报告题目：物理信息图神经网络（PIGNN）

报告摘要：深度学习为科学和工程中复杂物理系统PDE的快速求解提供了一个新的有力工具，但现有方法普遍面临扩展性差、应用场景小且受限于训练场景等不足。针对这些不足，我们提出了“物理信息图神经网络”（Physics Informed Graph Neural Network， PIGNN）。数值计算结果表明，PIGNN在空间区域大幅改变、网格剖分精度改变、初值条件和方程参数适度改变的条件下，都可以给出较精确的数值解。本报告将介绍PIGNN的理论基础、网络结构、测试效果以及局限和不足。

刘娜，中物院高性能数值模拟软件中心，副研究员

报告题目：面向强爆炸冲击效应的三维复杂场景智能化流体算法初探

报告摘要：

李晓亚，中物院流体物理研究所，实创中心主任/副研究员

长期从事实验物理数值模拟和数字化设计、评估、验证工作，近年来，带领团队建立了面向流体动力学实验、化爆安全性实验、材料多尺度物性实验、电磁加载实验的数值模拟和数字实验能力，开发了支撑模型验证确认、阈量与不确定度量化评估、代理模型构建的数字化技术，发展了面向新型诊断源的数字装置和数字实验平台。

报告题目：极端环境下材料与构型响应特性数字实验研究进展

报告摘要：装备/产品服役和使役过程面临复杂的极端高温、高压、高应变率环境，通过实验室实验认识和理解装备构型及相关材料在极端环境下的响应行为，是性能认证的关键支撑。针对此类实验中加载保真度、诊断精度提升需求，以及基于实验数据的量化评估要求，我们建立了面向实验全过程的数值模拟能力，发展了与实体实验结合的数字实验能力。其中，针对异常事故场景下的化爆安全性实验，我们发展了从事故发生到炸药温升、反应演化全过程的多场耦合数值模拟能力，并建立了化爆安全性数字实验场，初步具备实验优化设计、实验数据分析处理、实验结果量化评估，以及面向实际事故场景开展全场景剖面覆盖的数字实验能力。针对服役、使役极端环境下材料多尺度物性实验，我们发展了基于先进光源的材料物性数字实验能力，为先进光源指标优化、诊断技术设计提供了重要支撑。

苗青，中国空气动力研究与发展中心，工程师

中国空气动力研究与发展中心超高速空气动力研究所工程师，中国科学院力学研究所固体力学专业博士。主要从事表面与界面物理力学相关研究，针对稀薄条件下气动力预测难题，发展了微观/宏观相结合的跨尺度研究方法，揭示了气固界面相互作用的微观物理机制。研究成果发表Physics of Fluids、Physical Chemistry Chemical Physics、Microfluidics & Nanofluidics等国内外权威期刊8篇，授权软件著作权2项。

报告题目：稀薄条件下气动力的数据驱动多尺度耦合分析

报告摘要：针对超高速条件下飞行器气动特性预测极为困难，严重影响飞行器的设计优化甚至飞行安全这一难题，本文提出了一种新的分子动力学模拟-神经网络训练-直接蒙特卡罗耦合模拟方法。该方法强调了对稀薄条件下的气动力的研究，不仅可以保持DSMC对全尺寸飞行器的计算效率，同时保证了MD对气固界面反射动力学行为的精确模拟。此外，为了避免每次入射条件不同都需要开展新的MD模拟的缺点，采用神经网络方法对初始MD数据库进行了训练，极大地缩短了计算时间和成本。且为了验证此跨尺度耦合模型计算结果的准确性，发展了微量气动力测量技术，对稀薄条件下典型构型和工况的气动力进行了实验测量。研究结果表明，提出的新方法不仅可以对DSMC的计算效率有一定的提升作用，同时计算得到的气动力结果相比与传统DSMC与实验结果很加符合。我们希望此研究成果可以为高超声速飞行器流固耦合模拟计算提供新思路，为气动力/热的准确预测提供有效支撑。

白锐，达索系统（上海）信息技术有限公司，仿真技术总监

清华大学航空航天学院工程力学系本科和硕士研究生毕业。历任Abaqus软件高级工程师、销售总监和战略发展总监等职。目前负责达索系统大中华区SIMULIA销售技术管理和战略业务的推进工作，包括AI+CAE、设计仿真一体化、智能制造、数字孪生、虚拟人体建模、云计算、多物理场跨尺度仿真分析技术等。

报告题目：AI技术结合CAE仿真的应用和展望

报告摘要：传统的基于物理学的CAE仿真计算通常非常耗时，并需要大量的人工干预和操作，如CAD模型准备、网格划分等。这极大限制了CAE仿真技术在工业界的更广泛应用。利用AI人工智能技术，特别是机器学习技术，可以在结构、流体、电磁学等多物理场CAE仿真领域使用传统的仿真模型训练和生成可快速计算的3D代理模型，将仿真时间从以小时计显著缩短到以分钟甚至秒级计算，并保证仿真的精准度。对于未来更广泛的领域，基于AI的CAE仿真可以应用于各种数字孪生场景，如生产制造工艺仿真和设备运行期间的可预测性维护，促进CAE技术创造更大的社会和经济价值。该报告将介绍达索系统SIMULIA产品如何训练和验证AI+CAE仿真模型的精度和速度，并在达索系统的3DExperience平台上使用这项技术进行基于AI的一体化建模和仿真以快速优化产品设计。

杨明，清华大学/清航飞迈（上海）科技软件有限公司，技术总监

工学博士，中国力学学会会员，现任清航飞迈（上海）科技软件有限公司技术总监，主要聚焦于非线性固体力学智能仿真平台开发和行业应用。博士期间主要研究课题为多物理场耦合高性能数值模拟器开发与应用，在全自研模拟器上开发了高精度通量计算方法和多物理场解耦自动评估策略。博士后期间主要完成了高性能非线性固体力学求解架构开发，并构建了基于神经网络的快速仿真替代模型。目前发表论文9篇，授权专利和软件11项。

报告题目：基于物理信息神经网络(PINN)构建快速仿真代理模型

报告摘要：在高性能数值计算领域，传统仿真方法在处理复杂物理问题时常常面临计算量大、时间成本高等挑战。物理信息神经网络 (PINN) 作为一种创新的仿真技术，通过将物理定律融入神经网络的训练过程中，显著提高了仿真的效率与精度。本次分享简要介绍PINN的原理和结构，并重点探讨其在新能源电池膨胀问题和燃烧问题中的应用。具体而言，演讲将以电池膨胀问题为例，展示PINN如何快速模拟电池中电极材料的应力应变分布，并与传统有限元方法进行对比。此外，还将探讨PINN在常规燃烧过程中的应用，演示其在多相流动和化学反应仿真中的优势。PINN作为仿真代理模型有着巨大潜力，在未来复杂物理系统中有广泛应用前景。