学术主任：孙浩 中国人民大学

主办单位：中国计算机学会

活动日程：

学术主任

特邀讲者

中国人民大学

讲者简介：许洪腾，高瓴人工智能学院长聘副教授，博导，国家高层次青年人才。2017年博士毕业于佐治亚理工学院，2013年硕士毕业于上海交通大学，2010年本科毕业于天津大学。其研究方向为通用人工智能技术及其应用，特别是（1）最优传输驱动的机器学习理论与方法；（2）生成式大模型架构设计、模型压缩、模型融合；（3）AI4Math以及AI4Science等前沿应用。以第一作者或通讯作者身份在人工智能领域知名会议和期刊上发表论文70余篇，并曾在KDD、AAAI、IJCAI等会议上举行Tutorial报告。近年来的代表性工作包括基于最优传输距离的图神经网络设计与学习方法、数值算法驱动的大模型架构设计与高效适配、基于生成式人工智能的柔性大分子建模技术等。

报告题目：面向柔性大分子建模的生成式人工智能技术应用与进展

报告摘要：针对蛋白质、聚合物为代表的柔性大分子进行构象生成和设计已经成为药物和材料研发领域的前沿方向。目前，针对这一方向的生成式人工智能技术面临模型泛化能力弱、通用性不足、计算效率低等挑战。本次讲座将介绍面向柔性大分子设计的生成式建模技术的进展，针对分子基态构象预测、蛋白质骨架生成、聚合物构象生成、聚合物属性预测等任务，介绍一系列模型架构和学习算法方面的创新性工作，特别是最优传输、几何代数等数学工具在柔性大分子建模方面的新应用。此外，本次讲座也将针对柔性大分子建模的技术路线发展趋势提供新的思考和观点。

北京大学

讲者简介：黄政宇，北京大学北京国际数学研究中心助理教授、博导。本科毕业于北京大学计算数学专业，博士就读于斯坦福大学，获计算数学与航空航天博士学位，随后在加州理工学院从事博士后研究，从事计算数学、数据科学和计算工程的交叉领域研究。

报告题目：基于神经算子的偏微分方程代理模型

报告摘要：在现代科学和工程领域，基于偏微分方程的计算模型扮演着核心角色。随着技术的发展，如何利用数据驱动方法或机器学习技术来优化这些计算模型，比如加速设计优化流程、实现实时控制等目标，已成为近几十年的研究热点。本报告将系统探讨机器学习技术在求解偏微分方程类复杂工程与科学问题中的应用研究，重点阐述其在设计优化加速方面的前沿进展。

西湖大学

讲者简介：吴泰霖，西湖大学工学院人工智能系特聘研究员，博士生导师。吴泰霖本科毕业于北京大学物理学院，博士毕业于麻省理工学院物理系，并于斯坦佛大学计算机系博士后。主要研究领域为开发机器学习方法用于大规模科学仿真、控制、设计和发现，并在能源、流体、机械等领域应用。在人工智能顶级会议和物理学顶级期刊等发表文章30余篇，其中5篇被评为热点论文。主持国家自然科学基金海外优青项目。

报告题目：图神经网络与生成模型用于科学仿真与控制

报告摘要：在科学和工程中，对于高维、多物理场、强耦合的复杂物理系统的仿真和控制是普适的重要问题。仿真方面，我们开发基于图神经网络的千万网格级地下流体代理模型，并在生产环境中部署；提出基于生成模型的多物理场耦合方法，支持解耦数据训练与推理阶段耦合预测。控制方面，设计基于扩散生成模型的统一框架，融合仿真与控制任务，同步生成优化控制序列及系统轨迹；我们进一步提出闭环生成控制（利用环境反馈实时更新）与可证明的安全控制方法。我们在Burgers'方程、水母机器人的控制、流场烟雾调控等实验中表明了我们方法的有效性。

宁波东方理工大学

讲者简介：陈云天，宁波东方理工大学助理教授，兼任上海交大计算机系博导。本科毕业于清华大学能源与动力工程系，同时获北京大学经济学双学位，博士提前毕业于北京大学工学院，并获优秀毕业生荣誉。鹏城实验室博士后。研究方向为科学机器学习，关注知识嵌入与知识发现，在国际顶尖期刊发表论文70余篇，中科院一区或CCF-A类40余篇。授权发明专利23项，主持国家重点研发计划课题等项目13项，近五年主持竞争性经费1500余万。能源顶级期刊ADAPEN助理编辑、APEN客座编辑。研究成果被美国科学促进会（AAAS）、参考消息、南华早报等国内外媒体广泛报道。入选中国科协青年人才托举工程，浙江省级青年人才。

报告题目：基于人工智能的科学知识自动发现

报告摘要：本报告聚焦于人工智能（AI）在科学知识发现领域的最新进展，探讨了AI如何助力科学探索与物理化学规律揭示。通过符号数学与AI算法的结合，我们成功验证了方法对带交互项Burgers方程、具有高阶导数的KdV方程和含指数项Chafee-Infante方程的提取能力，充分证实了该方法的准确性与稳健性。进一步地，我们应用该方法揭示了此前未知的全新方程，用于粘性重力流、复杂地形降水和化学极性等复杂现象的建模。在最新研究中，我们基于从数学手册中提取的200余类方程进行训练，构建出当前效果最佳的方程发现模型。报告将重点介绍SGA、DISCOVER及应用于科学探索的大语言模型LLM4ED等前沿模型，为科学家跨越知识与数据壁垒、深入理解自然提供了全新方法。 

清华大学

讲者简介：丁璟韬，清华大学电子工程系博士后研究员（合作导师为李勇教授）。于清华大学电子工程系获得学士、博士学位，主要研究方向为时空AI与复杂网络。在NeurIPS、ICLR、KDD、WWW、AAAI、IJCAI等国际会议与期刊发表学术论文50余篇，担任PLOS Complex Systems的学术编辑，曾获2018年国际万维网大会（WWW 2018）最佳海报论文奖、国际会议IEEE IWCWC 2019、ACM HotPOST 2015最佳论文奖，主持国家自然科学基金面上项目等研究项目。在WWW 2025(tutorial)、社会智能大会2024（讲习班）等报告AI与复杂系统研究前沿进展。

报告题目：面向复杂系统科学的人工智能技术：潜力、方法与应用探索

报告摘要：复杂系统是由大量相互作用元素构成并展现出复杂行为的系统，广泛存在于自然界和人类社会等各个领域。研究这些系统时，我们面临多尺度、多因素相互作用等诸多挑战。以数据为中心、人工智能（AI）驱动的复杂性科学研究新范式，有望突破领域研究瓶颈，帮助我们更好地理解自然界与社会中的各种复杂现象，提升对系统未来行为的预测能力，并有效应对现实世界中的各种复杂问题。本报告将从以下五个方面进行详细阐述：第一部分介绍复杂系统科学的基本概念及其面临的主要挑战；第二部分探讨为何AI (尤其是Physics-informed AI)能够有效解决复杂系统中的难题；第三部分总结AI时代下的复杂系统研究问题，提出六个主要研究方向；第四部分展示这些技术在自然生态、城市管理、社会网络等典型复杂系统中的应用实例；最后，第五部分总结当前的研究成果，并提出未来该领域值得进一步探索的开放性问题。

深势科技

讲者简介：柯国霖，现任深势科技合伙人、AI高级副总裁，专注于科学领域的人工智能研究。此前，他曾在微软亚洲研究院（MSRA）机器学习组担任高级研究员，致力于高性能机器学习算法和大规模预训练模型的开发。他的代表性工作之一是 LightGBM，下载量超4.5亿次，并被评为“AI100: Top 100 AI Achievements (1943-2021)”之一。他曾在 Open Graph Benchmark 大规模挑战赛（KDD CUP 2021）的分子属性预测赛道中获得第一名，并在 Open Catalyst Challenge（NeurIPS 2021）中夺魁。在机器学习顶会，如ICML、NeurIPS、ICLR发布论文数十篇，累计引用量23000+。近年来，他专注于 AI for Science 领域的研究，包括蛋白质结构预测、三维小分子药物表征建模与生成、实验表征解析以及科学文献理解等。代表成果包括 ：Uni-Fold，国内首个复现 AlphaFold2 的工作；Uni-Mol，首个通用的三维分子表征模型，及其衍生的领域应用案例，如 Uni-MOF、Uni-QSAR、Uni-Mol Docking 等；Uni-3DAR，首个以自回归建模来统一宏观和微观三维结构理解与生成的跨尺度模型。

报告题目：迈向统一的三维分子建模与生成

报告摘要： 微观分子的建模与生成是AI for Science里一个基础且核心的问题。然而，这个领域长久以来却是处于碎片化的状态，例如分子有各种不同的表示，从序列，到二维图，再到三维结构。再者，不同领域也往往使用不同的建模方式，例如蛋白的模型难以用到药物小分子上。最后，建模和生成这两个任务也都是独立探索，没有实现模型的统一。我们将顺着分子建模与生成的发展轨迹，来探究他们实现统一的可能性。

字节跳动

讲者简介：肖文之，字节跳动科学计算研究员，复合物结构预测（Protenix）团队负责人，在AI落地应用方面有多年经验积累。Protenix团队成员来自机器学习、计算化学、生物信息等多个学科，致力于构建以结构为核心的生物分子基础模型，解决从结构预测到设计等关键问题。

报告题目：从复合物结构预测到生成式设计

报告摘要：复合物结构是理解生物机理与理性药物设计的核心基础。近年来，AlphaFold 2 带来的技术突破显著推动了计算生物学的发展。AlphaFold 3 在此基础上进一步扩展了建模能力，覆盖蛋白质、核酸、小分子、糖类及翻译后修饰等多种分子类型，但在特定体系的结构预测以及动态构象建模方面仍存在明显不足。与此同时，生成式建模正成为从结构理解迈向分子设计的关键路径，显著提升了蛋白质设计的成功率，也展现出广阔的发展潜力。本次报告将介绍我们在 Protenix 复合物结构预测模型与生成式设计方向的探索，分享其中的实践经验与技术挑战，并探讨未来的发展思路与可能路径。

【精品文章】

• ADL161《大模型时代的社会计算》开启报名