报告时间：2024年10月18日上午9:00-11:00

报告地点：人工智能学院801会议室

报告一

报告题目：协作式神经动力学方法在数据处理中的应用

主讲人简介：李宏宗，2020年在东北大学自动化系获得本科学位（导师：肖冬 教授）；于2021年进入香港城市大学计算机科学系攻读计算机博士学位（导师：王钧 院士）。研究方向包括优化算法、机器学习、计算智能、神经网络。曾在人工智能和神经网络领域国际上有影响力的期刊和会议上发表二十余篇论文，包括多篇IEEE Trans.论文。曾获得香港城市大学杰出学术表现奖、宝钢优秀学生特等奖、辽宁省优秀毕业生等。

报告摘要：在现代数字时代，数据已成为推动行业创新和提高运营效率的关键资产。数据处理的核心任务是将原始数据转化为有意义的信息。在众多数据处理技术中，例如聚类和矩阵分解是揭示隐藏模式和简化复杂数据集的重要工具。然而，这些方法面临诸多挑战，包括算法可扩展性以及在复杂数据集上获得准确和可靠的结果。这些挑战直接影响数据处理的有效性和效率，因此亟需开发更先进的方法来应对。

2024年诺贝尔物理学奖获得者约翰·霍普菲尔德指出简单而相似的神经元网络可以作为强大的计算模型，提出的霍普菲尔德网络已被广泛地应用于求解各种优化问题。最近，协作式神经动力优化（Collaborative Neurodynamic Optimization, CNO）作为一种强大的混合智能框架，通过并行计算多个神经动力模型，进行全局最优解的搜索，展现了在多种计算任务中的优越性。基于这些进展，开发和应用CNO驱动的数据处理方法，解决上述挑战，具有显著的优势和前景。

本报告重点介绍了基于协作退火的聚类方法和CNO驱动的二进制矩阵分解算法。主要内容包括：基于幂k-均值和模糊c-均值聚类的协作退火算法；二次无约束二进制优化问题的CNO算法；基于最大化-最小化和协作神经动力优化的容量限制聚类算法；以及用于二进制矩阵分解和机器单元与部件序列的构建的神经动力驱动矩阵分解算法。通过大量实验验证，这些方法在处理复杂数据任务时，相比传统方法展现了显著的优越性。

报告二

报告题目：聚合物纳米复合材料的数据驱动随机多尺度建模

——从理论模拟到实验应用

主讲人简介：刘博凯，中共党员，瑞典于默奥大学应用物理与电子学系助理研究员（Staff Scientist），瑞典国家北方高性能计算中心高级研究工程师，主要研究方向为人工智能在多尺度计算力学建模中的方法与应用。2022年博士毕业于德国包豪斯大学结构力学研究所，师从欧洲科学院院士Timon Rabczuk教授，获得德国国家学术交流中心颁发的杰出博士学位奖（DAAD-STIBET）。2022年3月-2024年3月在瑞典于默奥大学进行博士后研究。目前作为项目负责人（PI），主持4项课题，包括瑞典皇家科学院林业学院青年研究人员基金项目、SWECO公司企业创新合作项目及北极研究中心跨学科基金项目，未来森林跨学科研究基金，并作为瑞典方项目组长参与欧盟地平线2020项目及瑞典能源部E2B2专项研究。兼任多本国际期刊的审稿人和编委会成员，曾在多个国际会议上担任特邀演讲者及分会场主席。波兰国家自然科学基金委National Science Centre (NCN)基金项目评审专家。截至目前，刘博凯在计算力学与复合材料力学领域作为第一作者发表了10余篇同行评审期刊论文，并发表了4篇会议论文。

报告摘要：纳米增强聚合物复合材料因其优异的物理和化学性能而被广泛研究和开发，并在航空航天工程、微电子封装及电子和半导体设备中广泛应用。近年来，许多研究集中于量化纳米填充物对这些复合材料性能的影响。然而，由于确定性模型忽略了材料中的不确定性且随机多尺度建模计算成本高，机器学习凭借其高效建模能力和高性能计算的进步，在处理这些不确定性方面变得越来越受欢迎。基于此，我们在理论建模的基础上开发了一个多尺度多层级的框架，将理论建模与实验应用相结合。通过从微观到宏观层面根据工程需求设计功能性纳米复合材料，并通过实验测试其性能，随后将测试材料放置在现实环境中进行实地测量与应用。结果表明，这种多尺度多层级的框架不仅可以设计出符合工程需求的理想材料，还能实现聚合物纳米复合材料从理论模拟到实验应用的转化。我们的研究展示了一种有效路径，通过多尺度多层级的框架实现纳米增强聚合物复合材料的设计和开发，使其更好地满足实际工程应用的需求。这一方法为未来智能新材料的设计和开发提供了新的思路和工具，有望推动功能型纳米复合材料在各个领域的进一步应用和发展。