脱衣舞

当前位置: 首 页 - 科学研究 - 学术报告 - 正文

脱衣舞 、所2026年系列学术活动(第173场):臧耀华 慕尼黑工业大学

发表于: 2026-11-18   点击: 

报告题目:Inverse Problems as Inference on a Physics-Constrained Generative Manifold

报告人:臧耀华 慕尼黑工业大学Research Associate

报告时间:2026年11月20日(周五)16:00-17:00

报告地点:腾讯会议会议 ID:763-258-068会议密码:无

校内联系人:伍铁如 [email protected]

报告摘要:偏微分方程反问题旨在从有限、含噪的间接观测中恢复未知系数、源项或材料结构。经典正则化与贝叶斯方法具有坚实的理论基础,但常需反复求解正问题;近年来的数据驱动、物理信息学习与神经算子方法,则分别在标签数据需求、计算复用和观测适用性之间作出不同权衡。本报告将讨论一种新的求解视角:不直接学习反演映射,而是在未知量与PDE解的联合空间中学习一个由物理约束的低维生成流形。低维隐变量经生成解码器与深度神经算子分别生成未知场和PDE解。训练无需预计算PDE解数据,而以紧支检验函数构造的弱形式残差作为“虚拟观测”嵌入控制方程。反问题由此转化为该生成流形上的推断;由于观测算子仅在推断阶段引入,同一训练模型可适应不同传感器配置,并处理逐点观测与算子型观测(如电阻抗成像中的Dirichlet-to-Neumann映射)。报告将结合系数反演、电阻抗成像和微结构逆向设计等代表性反问题说明这一思路,并讨论其与学习先验、正则化和贝叶斯推断的联系,以及所学生成流形上的可辨识性、稳定性、误差传播和后验相合性等开放数学问题。

报告人简介:

臧耀华,德国慕尼黑工业大学(TUM)工程与设计脱衣舞 Research Associate,长期从事机器学习与计算数学的交叉研究。研究聚焦于如何将微分方程的数学结构与现代深度学习方法相结合,发展具有物理一致性、数据高效性和不确定性表征能力的正反问题求解方法。近年来的工作主要围绕弱形式物理驱动学习、深度神经算子、生成式隐表征与贝叶斯推断展开,并进一步应用于PDE反问题、计算均匀化和材料逆向设计。