应97711a线路检测中心杜崇瑞副教授的邀请，香港科技大学陆杨龙教授于7月18日在97711a线路检测中心3号楼511会议室为学院师生带来了一场精彩生动的学术报告。报告题目为“基于物理信息的机器学习在制造系统中逆问题求解的应用”（Physics-Informed Machine Learning for Inverse Problem Solving in Manufacturing Systems）。空间操作技术研究所所长代洪华教授等多位师生代表出席了本次学术报告。

机器学习已成功应用于不同的制造领域。然而，数据稀缺性仍然是将这些模型应用于解决复杂科学和工程问题的主要挑战。其根本原因在于在训练这些模型时存在“维度灾难”。训练算法需要在非常高维的参数空间中探索和利用，以搜索复杂模型的最佳参数。当维度增加时，为了涵盖空间并确保训练的收敛，所需的训练数据量呈指数级增长。由于科学实验和高保真度工程模拟中的数据采集成本非常高，很难收集足够的训练数据来完全训练复杂模型。此外，黑盒机器学习模型可能不遵守基本物理定律，并且在超出训练数据范围时往往无法提供准确的预测。为应对这些挑战，一种新的模式称为物理信息机器学习正兴起，将物理知识嵌入到机器学习模型中，其中基于物理的模型被应用作约束，指导机器学习模型的训练。此外，物理定律可以提供额外的信息，以更高效地训练机器学习模型。因此，这种混合方法可以显著减少所需的训练数据量，使机器学习模型更具可解释性、泛化能力和可靠性。

陆教授分享了用于估计温度场和热传导率的物理信息全卷积网络。这种网络可以作为传统数值模拟的替代模型，利用少量数据重建温度场，并处理正演和反演问题。此外，陆教授还介绍了基于物理的压缩感知、结构优化和生物打印等方面的研究。陆教授的报告精彩纷呈，参会的老师和学生们积极参与讨论交流。

陆杨龙教授简介：

陆教授目前任职于香港科技大学机械与航空航天工程系。分别于2016年与2020年在乔治亚理工学院机械工程专业获得学士和博士学位，并在密西根大学安娜堡分校担任了一年博士后研究员。他的研究方向主要涉及增材制造过程检测、多物理场仿真、机器故障诊断和结构优化。已在国际知名期刊及会议上发表相关研究成果近30篇，申报三项美国专利。曾担任ASME和IISE等知名国际学术会议的分会场主席。曾获美国机械工程协会最佳博士毕业论文奖，入围 2023 美国国家自然基金制造业蓝天竞赛，密西根大学博士后协会会议奖，美国机械工程协会制造与生命周期设计会议海报竞赛奖等。此外，曾于2016年共同创立了SolCharged 太阳能公司。目前已主持或者参美国自然科学基金委、美国高数位制造与设计创新研究所、香港科技大学-产业转化中心项目等项目。

图文：杜崇瑞

审核：宁昕