导语
分享内容简介
分享内容简介
分享内容大纲
分享内容大纲
第一部分: ODENet用于从时间序列数据中揭示隐藏动力学
ODENet的基本概念与结构
正反问题在机器学习中的定义
不同机器学习方法的比较(微分方法vs积分方法)
ODENet的架构与特点
数值实验验证
Lotka-Volterra动力学系统实验
对数据采样时间步长的影响分析
Lorenz方程在混沌区域的实验
处理大噪声数据的能力
第二部分: 基于机器学习的多尺度建模研究
细胞分化模型
主方程(Master Equation)的建立
Kurtz极限下的矩封闭方程
具有负反馈的基因调控网络
基本模型介绍
具有时间尺度分离的化学反应系统
使用ODENet进行模型简化
主要涉及到的知识概念
主要涉及到的知识概念
微分方程，Differential equations
正向问题，Forward problem
反向问题，Inverse problem
神经常微分方程，Neural Ordinary Differential Equations（Neural ODE）
稀疏回归，Sparse regression
复杂生化反应多尺度建模，Multi-scale modeling of complex biochemical reactions
讲者介绍
讲者介绍
参考文献
参考文献
Chen, Ricky TQ, et al. "Neural ordinary differential equations." Advances in neural information processing systems 31 (2018).
Raissi, Maziar, Paris Perdikaris, and George E. Karniadakis. "Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations." Journal of Computational physics 378 (2019): 686-707.
Schauer, M., and R. Heinrich. "Quasi-steady-state approximation in the mathematical modeling of biochemical reaction networks." Mathematical biosciences 65.2 (1983): 155-170.
Gillespie, Daniel T. "Exact stochastic simulation of coupled chemical reactions." The journal of physical chemistry 81.25 (1977): 2340-2361.
Brunton, Steven L., Joshua L. Proctor, and J. Nathan Kutz. "Discovering governing equations from data by sparse identification of nonlinear dynamical systems." Proceedings of the national academy of sciences 113.15 (2016): 3932-3937.
Hu, Pipi, et al. "Revealing hidden dynamics from time-series data by ODENet." Journal of Computational Physics 461 (2022): 111203.
Yang, Wuyue, et al. "When machine learning meets multiscale modeling in chemical reactions." The Journal of Chemical Physics 153.9 (2020).
参与方式
参与方式
本次分享将于2024年11月14日（本周四）晚上20:00-22:00在腾讯会议进行，感兴趣的朋友可以扫码参与本次分享，并加入读书会社群。
复杂系统自动建模读书会第二季
“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
