机构名称：
¥ 1.0
为了实现这一目标，我过去的研究开创了学习结构化和压缩表示的先河，并取得了重要进展，以加速物理科学中的大规模和多尺度模拟，包括流体、等离子体和更通用的 PDE 和 N 体系统。我的研究使基于 ML 的替代模型能够扩展到动态系统，其维度高出两个数量级，速度比以前的 ML 模型快 15 倍。我开发的 ML 模型正在部署用于工业中的流体模拟，也将用于斯坦福国家加速器实验室 (SLAC) 的激光等离子体系统建模。除了用于模拟的 ML，我还介绍了用于从观察中发现符号理论（发表在顶级物理期刊上）和关系结构的 ML 方法，并从理论上揭示了表示学习中压缩与预测权衡的相变现象的起源。
简历.pdf
主要关键词
相关文件推荐
