2024年7月18日，CCF TF迎来了第140期活动，主题为“AI for Science”。本次活动由CCF TF算法与AI SIG策划呈现，邀请到了邀请了到来自百度公司资深研发工程师陈凯、西安交通大学助理教授郭振东、华中科技大学孟旭辉、中国科学院力学研究所副研究员孙振旭。分享的内容精彩纷呈、讨论热烈、听众反馈积极。活动以线上直播的形式进行，通过腾讯会议平台和CCF视频号“中国计算机学会”同步直播，吸引了众多专业人士的参与。本文将回顾本次活动的精彩内容和深刻见解。
CCF TF
CCF TF活动相关专家报告均收录在CCF数字图书馆【TF专辑】，欢迎长按识别，回看精彩分享。本期活动报告也将于近日收录，欢迎回顾！
AI for Science作为人工智能领域的一个新兴分支，正逐渐展现出其强大的潜力和广泛的应用前景。随着高性能计算、深度学习算法以及科学大数据的不断进步和积累，AI for Science已经在物理、化学、生物、材料科学等多个学科领域取得了显著成果。
近年来，国内外的研究机构、高校以及科技公司纷纷加大在此领域的投入，致力于开发更加先进的AI模型和算法，以推动科学研究的深入创新。AI for Science的应用不仅加速了科学实验的进程，还提高了数据分析的准确性和效率，为科学家提供了新的研究视角和方法。
《百度飞桨——人工智能技术创新与科学计算探索》
来自百度公司的资深研发工程师陈凯报告题目是“百度飞桨——人工智能技术创新与科学计算探索”。报告全面介绍了百度飞桨深度学习平台及其在AI科学计算领域的广泛应用。百度通过飞桨平台在芯片层、框架层、模型层和应用层的多维度布局，推进了AI在科学计算中的应用，特别是在流体计算、气象预报和生物计算等领域取得了显著成果。同时，百度飞桨通过优化技术、支持开源工具和科研合作，不断推动AI科学计算的进步与发展。
《物理信息增强的智能流场预测方法研究》
来自西安交通大学的助理教授郭振东报告题目是“物理信息增强的智能流场预测方法研究”。报告围绕叶轮机械智能设计优化展开，重点探讨了物理信息增强的智能流场预测方法。通过嵌入物理知识、融合多源数据以及利用降阶模型，提高了模型的泛化能力和预测精度。研究涵盖从二维到三维的建模，展示了AI在复杂工程问题中的巨大潜力。
《Deep learning for multi-fidelity data fusion and uncertainty quantification》
来自华中科技大学的教授孟旭辉报告题目是“Deep learning for multi-fidelity data fusion and uncertainty quantification”。报告聚焦于多保真度数据融合与不确定性量化，重点介绍了在高质量数据稀缺情况下，通过融合不同精度数据提高模型精度的方法。他展示了神经网络在逼近任意连续函数上的能力，并探讨了数据噪音与不完整性对预测不确定性的影响，提出了基于不确定性量化的优化策略，有效提升了预测精度。
《基于物理信息神经网络的风场数据同化》
AI for Science日新月异，希望本次活动能够给大家带来启发和思考，促进技术的发展。
活动预告
期数 | 日期 | 所属SIG | 主题 | 形式 |
TF148 | 9月12日 | 算法与AI | 教育大模型研究与应用 | 线上 |
关于CCF TF
CCF TF技术前线(Tech Frontier)创立于2017年6月，旨在为工程师提供顶级交流平台，更好地服务企业界计算机专业人士，帮助企业界专业技术人士职业发展，通过搭建平台实现常态化合作和发展，促进企业间、学术界与企业间技术交流。目前已组建知识图谱、数据科学、智能制造、架构、安全、智能设备与交互、数字化转型与企业架构、算法与AI、智能前端、工程师文化、研发效能、质量工程等十二个SIG(Special Interest Group)，提供丰富的技术前线内容分享。
加入CCF
加入CCF会员享受更多超值活动，为自己的技术成长做一次好投资。
识别或扫码入会
欢迎关注CCFTF及CCF业务总部公众号，精彩陆续开启！
关注CCFTF获取TF活动资讯
关注CCF业务总部优惠预定会议场地
CCF推荐
【精品文章】
点击“阅读原文”，回顾往期精彩视频！