丁陈森
北京大学
面向重大工程的小样本可行可信智能分析与设计方法
基于物理机理的高精度数值仿真在复杂工程问题中发挥着关键作用,但其建模过程复杂、计算成本高,难以满足大规模实时预测和优化设计的需求。近年来,以神经网络为代表的人工智能算法凭借其强大的非线性拟合能力和适应性,为复杂装备的力学仿真提供了一种新的范式。然而,这类数据驱动方法普遍存在可解释性和可信性不足、依赖海量高质量训练数据、模型训练与推理成本高、对噪声数据和非适定问题的处理能力有限等局限性,导致其在重大工程应用中难以用于支撑大规模多物理场耦合系统的精确预测与优化。
本报告将介绍课题组研发的新型智能计算架构,该架构融合物理知识与数据驱动方法,兼具强可解释性与可信性,特别是仅需少量数据、极小计算资源,即可实现低能耗、高效训练与推理。该架构已在装药点火反应全流程预测、大规模多尺度分析、高超声速飞行器撞击损毁多物理场预测及敏捷设计等诸多重大工程应用中展现出卓越性能。
丁陈森,北京大学博雅青年学者,力学与工程科学学院助理教授、研究员、博士生导师,国家级重点实验室建模与仿真研究室主任。长期致力于智能计算力学前沿理论、先进算法及自主软件研发,包括新型数值计算方法与工业软件开发、数据驱动/人工智能算法及其工程应用,以及重大高精装备的不确定性分析优化。
入选J科委海外人才引进计划、教育部海外人才引进计划及英国全球人才计划,主持国家自然科学基金面上项目、JKW基础加强基金项目、KGJ智能分析项目、科技部重点研发子课题、科技委重点子课题等多个重要科研项目。以第一/通讯作者在CMAME等领域顶级SCI期刊发表论文30篇;原创小样本、低能耗的可信智能计算框架与软件,摆脱了传统人工智能方法对大规模高质量数据的依赖,仅需小样本即可实现高效、高可靠性计算。成功解决了中国工程物理研究院、航空发动机研究院、三峡集团水利工程等多个关键工程难题,获院士专家与领军单位高度认可并应用。受邀担任波兰国家自然科学中心、国家自然科学基金委等评审专家,中国复合材料学会青年工作委员会委员、国际期刊JRSE和计算力学学报等青年编委;共同主办机械系统动力学国际会议(ICMSD)、全国塑性力学大会等会议,受国际工业与应用数学(SIAM)和欧洲应用科学计算方法大会(ECCOMAS)、全国计算力学大会、全国数据驱动计算力学研讨会、全国计算力学青年学术研讨会等邀请作专题报告30余次;任Computer Methods in Applied Mechanics and Engineering、Applied Mathematical Modelling等近30个国际顶级权威期刊的客座编辑和审稿人。