【报告题目】机器学习在非线性可积系统识别问题上的应用
【报 告 人】刘文军教授，北京邮电大学
【报告时间】2022年12月2日下午1:30
【腾讯会议号】879 291 729
【报告摘要】非线性系统识别作为从数据中发掘新的数学规律，获得物理模型，进而指导现实工作的常用手段，已经活跃于水坝泄洪，光纤通信，石油开采，航空航天等多个学科领域之中。随着计算资源和存储能力迅速提高，机器学习成为新兴学科异军突起，为传统学科注入了新的活力，学者们将传统的系统辨识手段与机器学习结合构造了多种优秀模型，其中一个突出的模型是与深度学习结合的物理信息神经网络(PINN)。与其他模型相比，将物理信息引入神经网络迭代过程的PINN具有极强的特征提取能力与强大的迁移兼容能力，但是PINN依然存在着难以解决的问题，其中的关键是PINN作为一个数据驱动的模型必须接收到一定的数据量才能使其具备一定拟合能力，然而由于客观现实的制约，在实际实验中获取数据十分困难，因此如何化解模型预测误差与网络训练的真实数据数量之间的矛盾成为问题的关键。
我们通过引入参数化的方程结构，研究了一个利用可变损失函数构造的预训练框架来尽可能的减弱 PINN 对真实数据集的依赖性，并且可以进一步降低模型的预测误差。实验表明，利用新框架进行预训练过的 PINN 进行的参数辨识任务精度提高了一个数量级，而使用的真实数据数量仅仅是原始 PINN 方法的 1/5-1/8。同时我们的改进具有很强的普适性，新的预训练框架可以嵌入到任意改进的 PINN类网络从而获得更强大的参数辨识能力，并且不需要任何的额外训练，大幅度提高了实验效率。这种改进有利于扩大PINN的实际使用范围，如光纤脉冲中的色散管理等。
【报告人简历】刘文军，北京邮电大学教授，博士生导师。作为课题负责人承担国家重点研发计划项目2项，主持国家面上项目等项目10余项。主要研究方向为可积系统理论及其在光纤激光器中的非线性基础研究。发表SCI检索论文100余篇，SCI他引6000余次，H因子52，两篇论文入选中国百篇最具影响国际学术论文。相关成果以第一完成人入选北京市自然科学二等奖、中国光学学会光学科技奖二等奖、中国产学研合作创新奖 (个人奖)等。2021年和2022年连续两年入选爱思维尔中国高被引学者。
欢迎广大老师和同学参加！
