会议消息| UCLA数学研究所长期交流项目:物理与机器学习-集智俱乐部

来源: http://www.ipam.ucla.edu/programs/long-programs/machine-learning-for-physics-and-the-physics-of-learning/

今天给大家推荐一个长期的交流项目,对物理学和机器学习感兴趣的朋友可以参加。这个项目是加州大学洛杉矶分校数学研究所的一个长期项目,项目时间是2019年9月4日—2019年12月8日,主题是物理学和机器学习交叉领域的交流和研究,具体内容介绍如下。

活动概述

机器学习迅速崛起,成为物理学家和化学家们的强大工具,帮助他们从实验和模拟产生的大量数据中获取本质的信息。物理学家们通过学习、发展和应用机器学习的方法,以一种全新的方式来研究高维复杂的数据,在物理学的每个分支都取得了重大进展。

会议消息| UCLA数学研究所长期交流项目:物理与机器学习-集智俱乐部

迄今为止,机器学习在物理学领域的应用大多只是「低垂果实(low-hanging fruits)」(「低垂果实」是一个比喻,常用来表示先做最简单的工作,或者容易解决问题,从而得到看上去很好的结果)因为他们主要集中在利用数据拟合物理学中已有的模型或者是发现强的特征信号。但是我们也相信机器学习是有机会去学习出新的模型的,这一点令人兴奋。也就是说,机器学习可以发现数据背后的物理规律或者结构。而且,如果加以更强的现实约束条件,机器学习也能够去产生和设计复杂、新奇的物理结构与对象。

最终,物理学家们绝不仅仅是想拟合数据,而是想获得物理上可理解和解释的模型,举个例子,通过保持物理上有意义的约束条件,如守恒定律和对称关系,建立预测结果与作为输入的微观物理量之间的联系。

学科交叉可以使得两个领域都获得发展。我们知道机器学习最初就是从统计物理中获得的启发。很多现代机器学习的模型和算法,如变分推理和最大熵原理,都是对物理学家们发明的概念的改进。物理学、信息理论和统计学习这三者是紧密关联的,本质上说,它们都是从有噪音的数据中获取有效信息,所以我们希望可以从数据中发现特定情境下的物理规律,推动交叉学科领域的学习和交流。

组织委员会

Steve Brunton(University of Washington)

Cecilia Clementi(Rice University, Chemistry)

Yann LeCun(Facebook)

Marina Meila(University of Washington, Statistics)

Frank Noe(Freie Universität Berlin)

Francesco Paesani(University of California, San Diego (UCSD))

项目信息

这个项目包括开放日(opening day),教程(tutorials),一系列的工作坊(workshops),以及在加州大学洛杉矶分校(UCLA)的阿罗维德湖会议中心(Lake Arrowhead Conference Center)举办一个讲习班(culminating workshop)。 大多数参与者,包括几位资深的杰出科学家,在整个期间会一直待在加州大学洛杉矶分校的数学研究所(IPAM)。讲习班之间将有活动讨论环节,如讨论会和讨论小组,长期和短期参与者以及来访者都可以参加。

会议日程及安排

会议时间

主题

2019.11.04

开放日

(opening day)

2019.11.05-2019.11.10

物理和机器学习教程

(Machine Learning for Physics and the Physics of Learning Tutorials)

2019.09.23-2019.09.27

工作坊一:从被动到主动—生成和强化学习与物理

( Workshop I: From Passive to Active: Generative and Reinforcement Learning with Physics)

2019.10.14-2019.10.18

工作坊二:物理学科中的解释性学习

(Workshop II: Interpretable Learning in Physical Sciences)

2019.10.28-2019.11.01

工作坊三:在学习物理模型中的验证和评估—从模式到自然规律的治理法则

(Workshop III: Validation and Guarantees in Learning Physical Models: from Patterns to Governing Equations to Laws of Nature)

2019.11.18-2019.11.22

工作坊四:从物理视角看机器学习

(Workshop IV: Using Physical Insights for Machine Learning)

2019.12.03-2019.12.08

在阿罗维德湖会议中心的讲习班

(Machine Learning for Physics Culminating Workshop at Lake Arrowhead)

申请

如果想申请财政支持,以参加并长期参与整个项目,可以点击下方的链接。如果你希望申请或注册其中一个工作坊,请使用该工作坊的申请表格,我们希望你尽早申请。 申请将于2019年6月4日(星期二)截止,你可以在截止日期前的任何时间提出。 资助决定一经作出,即会通知成功申请者。

问题和支持材料应该发送到电子邮件:

mlp2019@ipam.ucla.edu。

申请链接:

http://helper.ipam.ucla.edu/wordpress_includes/signup/wp_eventsignup.aspx?pc=mlp2019

我们通常向正处于职业生涯早期阶段的博士、研究生和研究人员提供支持; 然而,我们同样鼓励对这一领域感兴趣的各级数学家和科学家提出申请资助。 同时也欢迎处于职业生涯的女性和少数群体的数学家和科学家提出申请,支持他们是IPAM一直以来的使命和愿景。

编辑:孟婕

推荐阅读

解读幂律分布无标度网络 | 长文综述

社群发展的底层逻辑:匹配生长模型 | 《规模》

《规模》之父Geoffrey West——“诺贝尔跨学科奖”候选人

除了时间、空间,你还可以从哪个维度看待世界!

生物大小、城市规模、公司寿命,背后竟然遵循同一套规模法则!

张江:寻找人工智能时代的牛顿

王小川:企业与生命体

吕琳媛:复杂世界,简单法则


会议消息| UCLA数学研究所长期交流项目:物理与机器学习-集智俱乐部

集智俱乐部QQ群|877391004

商务合作及投稿转载|swarma@swarma.org

搜索公众号:集智俱乐部

加入“没有围墙的研究所”

会议消息| UCLA数学研究所长期交流项目:物理与机器学习-集智俱乐部

让苹果砸得更猛烈些吧!

原文始发于微信公众号( 集智俱乐部 ):集智