2026秋 课程号：COMP6400P01
- 课程难度：你猜
- 作业多少：你猜
- 给分好坏：你猜
- 收获大小：你猜
| 选课类别：专业 | 教学类型：理论实验课 |
| 课程类别：研究生课程 | 开课单位：计算机科学与技术系 |
| 课程层次：硕士 | 学分：4.0 |
人工智能的发展为加速科学发现、推动科技创新和解决各个领域的复杂问题带来了新的希望，催生了一个新的研究领域——科学人工智能（AI for Science，简称AI4S）。过去几十年，一些科学问题是使用过于复杂而无法直接求解的方程来描述的（例如由薛定谔方程、纳维—斯托克斯方程等控制方程描述的高维多尺度系统，往往受到计算复杂度、网格分辨率和时间跨度限制），另一些科学问题则是借助昂贵的实验仪器或大型科学装置（例如基因测序仪、电子显微镜、高能加速器、水下滑翔机、大型强子对撞机、天文望远镜、气象卫星、托卡马克核聚变实验堆等实验或观测系统，则持续产生海量、异构、噪声显著且获取昂贵的数据）获得的实验和观察数据来理解的，它们都面临由“维数灾难”和“数据爆炸”带来的极限计算挑战。科学人工智能的使命是准确且高效地使用来自数值模拟和实验观测的科学数据来洞察科学问题，是近年来跨学科研究和创新最令人兴奋的领域之一，为科学发现打开了一扇计算与数据双驱动的新研究范式大门。AI4S的任务不是简单拟合数据，而是在科学机理、模拟与观测数据、先进算法和高性能计算之间建立可验证的桥梁。
本课程聚焦利用科学人工智能加速科学发现的建模方法和计算技术。学生不仅学习结构化表示、物理信息学习、神经算子、生成模型、主动学习和科学智能体，也学习HPC-AI融合计算、混合精度、分布式训练、数据管线、性能分析和可复现工作流。课程以真实科学问题为牵引，覆盖多类科学问题和从数据、模型、验证到发现全流程，使学生认识AI4S在精度、泛化、可解释性、数据、算力、通信和I/O方面的挑战。
本课程沿四条主线展开：（1）科学问题与数据生成：方程、模拟器、仪器、观测网络、数据生成与科学假设。（2）建模方法：概率学习、结构化表示、科学机器学习、生成设计、主动学习与智能体。（3）计算技术：自动微分、GPU、混合精度、分布式训练、数据管线、通信与I/O。（4）科学发现闭环：强基线、不确定性、外推、实验验证、复现和证据表达。高质量AI4S课程教学内容不是“一个个算法”，而是引导从科学问题、数据生成、模型假设、验证证据到科学发现的闭环。
课程内容主要包括：（1）依据物理世界建模的时空尺度来全面回顾科学人工智能的几个重要研究领域，提出准确的问题设置，总结共性的挑战问题（如保物理的第一性原理）和共性问题（如对称变换、基础模型、知识转移、模型泛化、可解释性、不确定性量化等）。（2）对已提出的重要方法进行深入的理论和实验分析，包括但不限于将人工智能应用于量子物理、粒子物理、等离子体物理、材料科学、流体力学、生命科学、医学物理、地球科学、天体物理等各种科学发现和工程应用场景，研讨人工智能对数值模拟的智能代理作用（AI in HPC or HPC by AI）、对实验数据的统计建模作用（AI with HPC），对数值模拟和数据建模过程的制导作用（AI out HPC，即科学智能体构建）等，以及用于技术评估的数据集和基准测试方法。（3）学习并初步掌握科学人工智能模型、系统、开发框架和工具，包括基于人工神经网络的机器学习方法、深度学习算法设计与编程实现，通过实践认识当前科学人工智能发展面临的计算技术挑战和趋势。（4）探讨科学人工智能加速科学发现的作用、局限性和未来发展方向。
还没有评论耶！放着我来！
