SLAI Seminar

11月4日（周二）下午，俄罗斯国家研究型高等经济大学（HSE）助理教授、HSE大学计算机科学学院大数据分析方法实验室（LAMBDA）负责人Denis Derkach博士受深圳河套研究院邀请，在B301教室举办SLAI第8场研讨会，以“物理与数据的协同：具有结构约束的人工智能”（Synergizing Physics and Data: AI with Structual Constraint）为主题，分享了物理模型与机器学习融合的最新进展与前沿应用。

Professor Denis Derkach

巴黎第十一大学粒子物理学博士

俄罗斯国家研究型高等经济大学（HSE）助理教授

大数据分析方法实验室 (LAMBDA) 负责人

数据科学的快速崛起已经彻底改变了众多领域的分析方法。然而，纯数据驱动的方法通常在外推能力、物理一致性方面存在困难，并且依赖于大量高质量的数据集。相反，经典的基于物理的模型能够提供稳健的结构理解，但计算开销大且对初始条件和参数化敏感。

本讲座将介绍这些范式在多个领域的协同融合，展示将机械模型与现代机器学习相结合如何为复杂的科学和工业问题提供更准确、高效且可解释的解决方案。我将涵盖从天气预测到工业数据异常检测的多个实例，并讨论其可能的应用。

在当今数据科学浪潮下，纯粹的数据驱动方法在处理具有严格结构性约束的物理和工业问题时，常因缺乏理论结构而遭遇外推失败、物理不一致和依赖海量数据的困境，例如Google Flu Trends的失败。与此同时，经典的物理模型虽然鲁棒，却往往计算成本极高。

Denis Derkach教授的报告“Synergizing Physics and Data: AI with Structual Constraint”深入探讨了如何将这两种范式协同融合。讲座重点关注了“模拟”（即从系统参得到数据的正向问题）这一核心挑战，并指出了传统模拟面临的四大难题：模拟偏差、数据稀疏、模拟的波动性需与真实数据准确匹配以及高昂的计算成本。

Derkach教授介绍，机器学习，特别是生成模型，为解决模拟的速度问题提供了新途径 。但这些模型也带来了新的挑战，尤其是在鲁棒性、不确定性估计和“统计功效”方面。

讲座最后Derkach教授指出，解决复杂科学问题的未来在于“混合方法”，即“物理信息机器学习”（Physics-Informed ML）。这包括多种途径：如利用对称性设计网络表示；在学习模型中加入约束；以及创新的数据增强技术。教授以三相电机诊断为例，展示了如何通过生成模型学习“健康”电机的真实噪声 ，再将其叠加到“故障”的理论模型上，以创造出平衡且真实的训练数据集。此外，像PINNs（物理信息神经网络）这样的技术，通过将微分方程作为损失函数，在解决“反向问题”（如定位污染源）上显示了巨大的潜力 。

在交流环节，参会师生认真聆听了Denis Derkach教授的精彩报告。师生们就报告中提到的前沿科学问题，特别是关于三相电机诊断的数据增强技术细节，与Derkach教授进行了亲切交流，探讨热烈而深入。

深圳河套学院作为人工智能拔尖创新人才培养试验区，整合全球顶尖科研资源、深港跨境创新要素及领先产业生态。学院突破传统培养框架，不以标准化考试入学、学分累积培养和论文答辩毕业作为唯一的学术评价标准，致力于培育具备全球视野、颠覆性创新思维、扎实理论基础与卓越实践能力的人工智能领军人才。