首页期刊导航|人工智能
期刊信息/Journal information
人工智能
人工智能

双月刊

2096-5036

人工智能/Journal AI-View
正式出版
收录年代

    基于情境化神经算子的空气动力学风阻预测

    宋琪陈天宇王子铭金圣凯...
    1-10页
    查看更多>>摘要：在汽车、飞机等工业产品设计中,降低整体风阻系数可以显著降低能源消耗.传统方法通过CFD模拟仿真通常需要大量计算资源,难以满足产品快速迭代的要求.随着人工智能技术领域的发展,深度模型在风阻、风压预测任务中展现出了较强的捕捉复杂几何形态关键特征能力,并且更为高效.然而,这类黑盒模型在特征与标签之间建立高维映射时忽视了物理规律的约束,并且往往缺乏可解释性.针对上述挑战,本研究提出了一种融合数据驱动和物理机理的计算方法.该方法采用图神经网络学习车辆表面的拓扑和几何特征,并通过双向注意力机制增强特征提取和信息传递,从而预测汽车表面的风压分布.此外,本文还引入了一个机理融合模块,综合考虑风阻、迎风面积、车速等物理因素并结合公式计算,进一步提高了风阻系数的预测准确率.在汽车表面风压及风阻系数预测的实验验证中,本方法相较于传统模型表现出更高的预测准确性,与传统数据驱动方法相比,本方法具有更低的计算开销和更高的预测精度.

    科学计算风压预测深度学习注意力机制

      原文链接:
    • 万方数据
    • 维普

    数据和机理驱动的人工智能科学智算

    朱霖潮杨易
    11-16页
    查看更多>>摘要：科学智算作为跨学科领域正不断演进.本文回顾从数值分析到高性能计算,再到数据驱动范式的演进历程,重点分析数据驱动和机理驱动方法在科学智算中的优劣势.数据驱动方法能够处理复杂非线性关系,但可解释能力弱、数据依赖性过高.机理驱动方法具备良好可解释性和外推能力,但计算效率较低.本文将讨论数据和机理驱动的人工智能科学智算在复杂系统模拟中的应用,包括多尺度多物理场耦合和不确定性量化.

    科学智算高性能计算人工智能数据和机理驱动方法

      原文链接:
    • 万方数据
    • 维普

    求解偏微分方程的深度学习方法概述

    邹青松韦平陈辽岑鉴焕...
    17-34页
    查看更多>>摘要：数值求解偏微分方程是多学科计算领域共同关注的一项基础科学课题.近年来,神经网络的深度学习方法得到了大力的发展,这一方法也被引入求解偏微分方程这一领域,逐渐成为了科学计算领域的研究热点之一.为此,本文介绍了近些年求解偏微分方程的一些深度学习方法,将这些深度学习方法从数学角度分为函数学习类方法和算子类学习方法.本文将对这两类深度学习方法的研究现状进行梳理以及总结,同时还简要介绍了目前深度学习方法在求解偏微分方程中遇到的一些困难和挑战,并对可能的研究趋势和方向进行了预测.

    深度学习方法偏微分方程算子类学习方法函数类学习方法

      原文链接:
    • 万方数据
    • 维普

    融合图神经网络与凸差优化的高效混合整数优化方法

    田鹏超周乐其潘比康石野...
    35-43页
    查看更多>>摘要：混合整数线性规划(MILP)是一种常见的离散组合优化问题,由于决策变量定义域不连续,面对大规模算例时,大多数求解器求解时间很长.因此,在有限时间内快速获得MILP问题近似解成为重要的发展方向.本研究提出了Neural-DC,一种融合图神经网络与凸差优化的高效混合整数优化求解框架.凸差优化算法可以将原来复杂的MILP问题转化为一系列路径跟踪的线性规划问题,极大降低计算量,但是依赖于较好的初始点;而图神经网络通过二部图编码与特征提取,可以为凸差优化算法预测整数变量初始点进行热启动,这实现了神经网络与凸差优化算法的协同作用.在三个经典MILP测试问题下,Neural-DC均展示了很高的可行率与较小的对偶间隙,在求解效率上相比主流的求解器和分支定界类学习算法具有显著优势.

    深度学习图神经网络凸差算法混合整数线性规划

      原文链接:
    • 万方数据
    • 维普

    基于Transformer架构的大语言模型在生命科学中的应用与挑战

    李晓晨宋敏芳刘扶芮
    44-52页
    查看更多>>摘要：高通量测序和成像技术的发展,为生命科学领域提供了海量的、多模态的数据,传统的分析方法与机器学习算法已难以快速、有效地处理这样庞大且复杂的数据.大模型凭借其强大的学习能力与迁移能力,正逐渐成为生命科学研究的有力工具.本文探讨了基于Transformer架构的大语言模型(大模型)在生命科学领域的应用及其面临的挑战,详细介绍了大模型在分析DNA、RNA和蛋白质序列等方面的应用,以及如何通过各种优化方法使Transformer架构可以更好地完成各类下游任务.尽管大模型在生命科学领域具有巨大潜力,但在生命知识融合、模型优化和可解释性等方面仍存在许多挑战.通过克服这些挑战,大模型将为生命科学的研究和生物医学的临床应用带来新的突破和进步.

    Transformer生命科学大语言模型跨学科融合

      原文链接:
    • 万方数据
    • 维普

    从经典到量子:哈密顿神经网络研究综述

    冯明泉唐叶辉陈志杰刘易洲...
    53-70页
    查看更多>>摘要：哈密顿动力学是物理学中一个研究守恒量与不变性的分支.近年来,研究者们将哈密顿动力学的守恒约束编码到神经网络中,从而构建出哈密顿神经网络.这类网络能够可解释地建模动态系统,并且有长期准确预测的能力.然而,哈密顿动力学也额外引入了输入数据能量守恒或耗散的假设,并增加了计算开销.在本文中,我们系统调研了最近提出的哈密顿神经网络模型及其方法论,并分析了深度学习在建模和求解量子多体问题方面的技术成果.我们讨论了这些模型的学习范式,并在五个方面进行了比较:广义哈密顿系统、量子多体系统、辛积分、广义输入形式、扩展问题设置.以神经网络为代表的新方法作为学习求解经典哈密顿动力学系统以及量子多体系统的有效工具,将在未来的研究中发挥重要作用.

    动态系统哈密顿动力学深度学习量子

      原文链接:
    • 万方数据
    • 维普

    深度学习在科学计算与工程中的应用与探索

    毛志平
    71-80页
    查看更多>>摘要：继实验、理论、计算之后,人工智能已成为一类新的科研范式.本文中主要讨论深度学习在科学计算中的应用,具体讨论了基于深度学习、深度算子学习的数据与机理建模及模拟,以及深度学习求解微分方程的高精度算法.特别地,本文从不同角度讨论了深度学习算法对于科学计算与工程的科学意义,并对未来发展方向给出一些建议.

    深度算子学习科学计算人工智能辅助建模高精度算法维数灾难

      原文链接:
    • 万方数据
    • 维普

    大模型在生物学中的应用

    倪圣焜李雄文郭哲韬刘子奕...
    81-92页
    查看更多>>摘要：以ChatGPT为代表的新兴人工智能技术展现出的卓越表现使"大模型"这个概念真正实现了"破圈",开始深入到各个行业和生活的各个方面.在生物学领域,计算生物学家们现在可以利用自然语言模型高效地阅读、整理、理解海量的生物学文献.此外,多样的生物学数据构建的生物大模型可以用于解读复杂的生命语言,从而预测多种生物实体的结构与功能.大模型在生物学领域的应用,不仅开启了计算生物学的新篇章,更引领了生物医学研究和健康科技的新潮流,描绘了未来生命科学探索和医疗创新的宏伟蓝图.

    大模型迁移学习生命语言生物大模型

      原文链接:
    • 万方数据
    • 维普

    科学智算赋能新型电力系统

    黄刚吴飞杨强
    93-108页
    查看更多>>摘要：伴随人工智能的迅猛发展,电力能源需求持续攀升.与此同时,风、光等新能源由大规模开发走向高比例并网,电力系统面临诸多挑战.虽然现有人工智能技术具有推动新型电力系统建设的潜力,但简单的"拿来主义"难以适应感知预测到调度控制一系列复杂问题的科学特性,进一步发展与创新人工智能尤为迫切.为此,围绕"源-网-荷-储"对新型电力系统全环节进行概述;然后对科学智算的发展历程进行梳理,深入分析源荷感知、状态估计、潮流计算、调度决策、运行控制和故障预警等典型应用;最后探讨上述交叉赋能所面临的挑战,并给出应对性建议.期望通过科学智算加速新型电力系统数智化建设,助力我国电力能源行业更高质量发展.

    人工智能科学智算新型电力系统新能源

      原文链接:
    • 万方数据
    • 维普

    融合科学智算的高危产妇妊娠结果评估模型及其应用研究

    谢子勋陈億龙宋维王志强...
    109-125页
    查看更多>>摘要：高危产妇相较于普通孕妇,面临更高的妊娠不良结局风险,这些风险不仅关系到孕妇及新生儿的生命安全,还可能对产妇的产后恢复和婴儿的长期健康产生深远影响.因此,本研究旨在通过分析高危产妇早期产检中收集到的生理数据,预测新生儿的健康状况,探究高危产妇产检指标和妊娠结果之间的关系.本文设计了一套全面的数据处理流程,并构建了一个基于注意力机制的深度学习模型.该模型融合了分类数据编码、样本间注意力机制、交叉注意力机制等优化方法,以提升模型对复杂数据的建模能力.本文对2014年至2023年间收集的180万例产妇产检数据进行了分析,其中包括占比53.88％的高危产妇,评估新生儿的五项关键健康指标—早产、胎儿死亡、畸形、低体重儿和巨大儿.本文设计的高危产妇模型对这五项指标的AUC分别能达到67.10％、54.96％、52.75％、71.29％和59.99％.本文的模型能够帮助孕妇为分娩做好更充分的准备,减少不良妊娠结局的发生,还能够辅助医生作出更精准的临床决策,采取相应的监护措施,从而降低高危产妇的妊娠风险.

    深度学习高危产妇表格数据分类多任务学习注意力机制妊娠结果评估

      原文链接:
    • 万方数据
    • 维普