11月4日，记者从哈尔滨工业大学（深圳）获悉，该校计算机科学与技术学院教授张永兵团队与清华大学自动化系教授季向阳团队合作，在“AI+扩散动力学”领域取得重要研究进展，为AI助力人类进一步深入理解异常扩散与复杂动力学行为迈出开创性一步。相关论文日前发表于国际期刊《自然·计算科学》。
“AI+扩散动力学”是一个跨学科研究领域，将AI技术与扩散动力学理论相结合，旨在利用AI的强大计算和分析能力来深入理解和模拟复杂系统中的扩散现象。“AI+扩散动力学”在环境保护、疾病传播控制、交通与城市规划等多个领域都有广泛应用前景。
然而，在将深度学习方法应用于异常扩散的识别与表征过程中，如果观测轨迹缺失了训练扩散模型所需的关键特征，将难以准确识别观测现象，可能引发误识别的风险。这一潜在的错误识别问题，成为阻碍深度学习方法在扩散动力学实际研究中应用的重要因素。
为此，研究团队针对现实场景中的复杂未知扩散动力学行为，首次提出可靠识别异常扩散的深度学习框架。这个框架就像是一副更清晰的眼镜，让AI能更准确地“看”到并理解那些复杂的扩散行为。研究团队还借助人工智能驱动的科学研究改变现有扩散评估模式，探讨了深度学习从经验观察中发现和分析未知扩散模式的可能性。
记者了解到，《自然·计算科学》期刊邀请美国科罗拉多州立大学学者对这一成果进行解读与评述。他们认为，该成果加强了人们对异常扩散的理解，同时为使用深度学习方法进行分布外检测、促进新理论发展注入了新动力。（记者罗云鹏 通讯员阚思邈 向碧霞）
“AI+扩散动力学”是一个跨学科研究领域，将AI技术与扩散动力学理论相结合，旨在利用AI的强大计算和分析能力来深入理解和模拟复杂系统中的扩散现象。“AI+扩散动力学”在环境保护、疾病传播控制、交通与城市规划等多个领域都有广泛应用前景。
然而，在将深度学习方法应用于异常扩散的识别与表征过程中，如果观测轨迹缺失了训练扩散模型所需的关键特征，将难以准确识别观测现象，可能引发误识别的风险。这一潜在的错误识别问题，成为阻碍深度学习方法在扩散动力学实际研究中应用的重要因素。
为此，研究团队针对现实场景中的复杂未知扩散动力学行为，首次提出可靠识别异常扩散的深度学习框架。这个框架就像是一副更清晰的眼镜，让AI能更准确地“看”到并理解那些复杂的扩散行为。研究团队还借助人工智能驱动的科学研究改变现有扩散评估模式，探讨了深度学习从经验观察中发现和分析未知扩散模式的可能性。
记者了解到，《自然·计算科学》期刊邀请美国科罗拉多州立大学学者对这一成果进行解读与评述。他们认为，该成果加强了人们对异常扩散的理解，同时为使用深度学习方法进行分布外检测、促进新理论发展注入了新动力。（记者罗云鹏 通讯员阚思邈 向碧霞）