基于多尺度建模的机器学习正反问题求解｜周四分享·复杂系统自动建模读书会第二季

主要观点总结

文章介绍了「复杂系统自动建模」读书会第二季第十期的相关内容，包括分享内容、分享嘉宾介绍以及参与方式。文章还概述了读书会的目的和主要内容，涉及数据驱动的复杂系统建模、复杂网络结构推断等方面。

关键观点总结

关键观点1: 读书会主题和内容

本次读书会由杨武岳分享团队的工作，介绍一个能够有效、可靠地发现隐藏在大量时间序列数据中的动力学方程的通用框架ODENet，并探讨其在复杂系统建模中的应用。

关键观点2: 分享内容大纲

分享内容分为两部分：第一部分介绍ODENet用于从时间序列数据中揭示隐藏动力学，包括基本概念、架构与特点、数值实验验证等；第二部分探讨基于机器学习的多尺度建模研究，涉及细胞分化模型、主方程的建立、使用ODENet进行模型简化等内容。

关键观点3: 分享嘉宾介绍

杨武岳，现任北京雁栖湖应用数学研究院助理研究员、博士生导师，主要研究方向为人工智能、机器学习理论及应用。他已在国际知名学术期刊发表论文。

关键观点4: 参与方式

本次分享将于2024年11月14日（本周四）晚上20:00-22:00在腾讯会议进行。感兴趣的朋友可以扫码参与本次分享，并加入读书会社群。

文章预览

导语 从观察数据中推导隐藏的演化规律以及对系统未来状态进行预测是基础性且具有挑战性的反问题与正问题。在化学反应、物理过程、生物系统等领域，这些问题往往涉及高度复杂且具有非线性的动态行为。多尺度建模能同时考虑不同时间、空间尺度上的系统行为，捕捉不同层次之间的相互作用。结合机器学习算法，能够在多尺度框架下，自动识别不同尺度下的规律，从而在面对复杂、大量的数据时更高效、更精确地揭示系统的动态行为。 「复杂系统自动建模」读书会第二季 第十期将由北京雁栖湖应用数学研究院助理研究员、博士生导师杨武岳分享团队的工作，将介绍一个能够有效、可靠地发现隐藏在大量时间序列数据中的动力学方程的通用框架，并分析其相较传统机器学习算法的优势，进而介绍两个具有生物学背景的具体实例。读书会将于1 ………………………………