分享内容简介

本次分享将围绕小样本下的数据驱动建模进行，介绍其核心技术手段神经常微分方程。首先，将介绍神经常微分方程基本概念；然后，介绍如何将欧几里得对称性嵌入神经常微分方程中，实现对真实物理系统的小样本学习；最后，介绍如何将元学习与神经常微分方程结合，实现对一族动力学系统的建模与预测。

分享内容大纲

1. 神经常微分方程概念简介
2. 欧几里得对称神经网络

3. 可解释性元神经常微分方程

主要涉及到的知识概念

元学习（meta-learning）

讲者介绍

李樵风，浙江大学百人计划研究员，博士生导师，获国家高层次人才计划（海外）资助。主要研究方向包括：基于人工智能的科学计算、智能系统感知、复杂结构动力学反问题等。到目前为止，在PRL、Science Robotics、EML、MSSP、Applied Energy等领域重要期刊上发表论文20篇。

课题组主页：https://www.ligroupzju.com

参考文献

• Chen, R. T. Q., Rubanova, Y., Bettencourt, J. & Duvenaud, D. Neural Ordinary Differential Equations. Arxiv (2018).
• Lai, Z., Mylonas, C., Nagarajaiah, S., & Chatzi, E. (2021). Structural identification with physics-informed neural ordinary differential equations. Journal of Sound and Vibration, 508, 116196.
• Li, Q., Wang, T., Roychowdhury, V., & Jawed, M. K. (2023). Rapidly encoding generalizable dynamics in a Euclidean symmetric neural network. Extreme Mechanics Letters, 58, 101925.
• Finn, C., Abbeel, P. & Levine, S. Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks. Arxiv (2017).
• Li, Q., Wang, T., Roychowdhury, V., & Jawed, M. K. (2023). Metalearning generalizable dynamics from trajectories. Physical Review Letters, 131(6), 067301. | 本篇文献介绍可见：PRL速递：AI 学习玩弹簧玩具——从轨迹到通用动力学的元学习

• 本期内容已在第一期中由主讲人进行了概述性分享，感兴趣的朋友可以提前了解：https://pattern.swarma.org/study_group_issue/746?from=wechat 或者 https://www.bilibili.com/video/BV1FL4JeUEYT 。

参与方式

“复杂世界，简单规则”。

集智俱乐部联合复旦大学智能复杂体系实验室青年研究员朱群喜、浙江大学百人计划研究员李樵风、清华大学电子工程系数据科学与智能实验室博士后研究员丁璟韬、美国东北大学物理系Albert-László Barabási指导的博士后高婷婷、北京大学博雅博士后曹文祺、复旦大学数学科学学院应用数学方向博士研究生赵伯林、北京师范大学系统科学学院博士研究生牟牧云，共同发起「复杂系统自动建模」读书会第二季。

读书会将于9月5日起每周四晚上20:00-22:00进行，探讨四个核心模块：数据驱动的复杂系统建模、复杂网络结构推断、具有可解释性的复杂系统推断（动力学+网络结构）、应用-超材料设计和城市系统，通过重点讨论75篇经典、前沿的重要文献，从黑盒（数据驱动）到白盒（可解释性），逐步捕捉系统的“本质”规律，帮助大家更好的认识、理解、预测、控制、设计复杂系统，为相关领域的研究和应用提供洞见。欢迎感兴趣的朋友报名参与！

复杂系统自动建模读书会：从数据驱动到可解释性，探索系统内在规律｜内附75篇领域必读文献