机构名称：
¥ 1.0
科学的机器学习（SCIML）一直将学术界带入了传统科学建模与机器学习（ML）方法（如深度学习）的有趣融合。尽管传统的机器学习方法论在科学问题上遇到了困难，诸如可解释性和实施物理约束，但ML与数值分析和微分方程式的融合已演变为一个新的研究领域，在添加数据驱动的自动学习特征的同时，它可以克服这些问题。已经证明了许多成功，借助物理知情的神经网络，通用差分方程，深部随机微分方程方程求解器，用于高维偏微分方程，以及神经代理人展示了深度学习如何极大地改善科学建模实践。因此，Sciml有望在各种科学学科中使用多功能应用，从对亚原子颗粒的研究到对经济和气候等宏观系统的理解。然而，尽管在提高这些方法的速度和准确性方面取得了显着的进展，但它们在实用，特别是工业环境中的效用仍受到限制。科学界的许多领域仍然缺乏对SCIML方法的全面验证和鲁棒性测试。当面对从工业中通常解决的机械和环境传感器之间的相互作用的复杂的现实世界数据集面对复杂的现实世界数据集时，这种限制特别明显。仍然可以通过适当的解决方案，其承诺通过大幅度的顺序加速创新和科学发现，这提供了独特的机会，可以解决许多领域对更快，更准确预测的无限愿望。该研讨会致力于探索SCIML技术实施方面的最新进步。它召集了积极参与这些方法的主要专家，以确保其实际的可行性和可扩展性，尤其是在数字和物理组件汇聚的工业领域。研讨会的目标是制作研究路线图，以推动行业中的科学机器学习，以应对应用/工业化挑战。以后要关注的更多信息：https：//www.ias.tum.de/ias/research-areas/advanced-compoint-and-modeling-and-modeling/scientific-inater-inachan-learning/
''推进行业的科学机器学习''
主要关键词
相关文件推荐
