飞桨AI for Science线下交流会：汇聚科学计算人才，携手共建繁荣社区

7月13日，飞桨携手人工智能科学计算领域（AI for Science）头部专家学者、高校和科研机构老师，以及相关行业从业者在上海百度飞桨赋能中心举办了飞桨科学计算线下交流会。会上各领域专家就深度融合的平台、行业动态、科研成果和开源建设等多个话题进行了讨论和交流。本次飞桨科技计算交流会汇聚了各领域的创新成果，推进了国内AI for Science的建设与发展。

会上飞桨高级技术产品经理张艳博和工程师何森森分别介绍了飞桨科学计算领域的探索和产品建设现状，以及飞桨科学计算工具组件PaddleScience v1.0的功能及使用方法。会议还邀请了多名国内外知名学者发表了AI for Science的前沿的学术报告。华中科技大学孟旭辉副教授发表了题为“科学计算：融合多保真数据的复合神经网络”的报告；上海交通大学王韫博助理教授发表了题为“世界模型：直觉物理推理与决策”的报告；瑞典梅拉达伦大学Erik Dahlquist院士及Madeleine Martinsen老师发表了题为“工业数字化：Smart Industries demands Smart Services”的报告；复旦大学青年研究员王烁发表了题为“医工结合：结合数据驱动和生物力学的心血管疾病建模”的报告。此外，国家超算郑州中心的华浩波老师、中国传媒大学的张志强博士和北京交通大学的朱卫国博士作为飞桨AI for Science的优秀开发者代表，分别就“科学计算与国产芯片”、“科学计算与人文社科”和“飞桨与其他计算组件结合”这三个主题发表了相关的报告，充分体现了飞桨在AI for Science 方向的广泛适配与支持。本次活动吸引了40多位来自全国各地高校与企业的师生和从业者现场参会，线上直播累计8000多次观看。通过本次交流，期望可以让更多的开发者有机会深入了解飞桨AI for Science的实践工具，以及前沿技术和领域应用。

飞桨科学计算组件：

赛桨PaddleScience v1.0

基于飞桨深度学习框架的高层API以及高阶自动微分机制，飞桨同步升级并推出了科学计算工具组件：赛桨PaddleScience v1.0。针对传统数值计算方法面临的维数高、耗时长、跨尺度的挑战，综合数学计算与物理数据相结合的处理方法，提供物理机理、数据驱动等范式来求解问题。同时围绕计算流体力学（CFD）、结构有限元仿真、气象预测等领域构建经典的AI for Science领域案例，为广大科研工作者提供可复用的案例开源代码以促进AI与基础科学的融合。

赛桨PaddleScience v1.0正式版包含了如下四方面的特色：

• API架构更新

从用户使用习惯角度，兼顾深度学习及CFD & CAE用户体验，从数据预处理、模型选择、网络优化求解、结果后处理等角度更新API元素，提升用户使用感受。

• 丰富的场景案例

提供2D & 3D圆柱绕流、涡激振动、对流散热及方程反演等基础案例，同时新增结构领域中2D & 3D结构受力分析案例，气象领域中气象预报、污染物扩散等相关案例，支持直接复用及二次开发，用户可从Github代码仓或AI Studio直接体验相关项目的实践。

• 底层模型更新

新增如CNN、U-Net、Transformer、GAN等经典神经网络模型以及FNO算子学习模型，并提供相应验证案例。

• API升级更新

提供全新设计的API供用户自定义偏微分方程及定义各类边界条件，支持2D&3D基础几何定义、STL复杂外形解析及布尔操作等，并提供准随机采样、局部加密采样等功能。

具体功能可参见：https://paddlescience-docs-hss.readthedocs.io/zh/latest/

学术前沿，探索科学奥秘

华中科技大学的孟旭辉副教授发表了题为“科学计算：融合多保真数据的复合神经网络”的报告。报告中，孟老师介绍了PINN网络的底层数学原理以及复合神经网络，提出通过融合高保真度和低保真度的数据，能够提高PINN的计算效率和精度。

上海交通大学的王韫博助理教授发表了题为“世界模型：直觉物理推理与决策”的报告。报告中王老师介绍了世界模型的概念，将物理模拟建模为图像生成的反问题，以神经网络流体模型的逆图形学优化代替动力学方程的数值求解，从而实现基于真实物理观测反推流体属性。

瑞典梅拉达伦大学的Erik Dahlquist院士及Madeleine Martinsen老师发表了题为“工业数字化：Smart Industries demands Smart Services“的报告。两位老师向大家展示了能源采矿领域对数字化和人工智能的需求，并提出了基于AI-AR技术框架的工业运维通用智能体概念。

复旦大学的青年研究员王烁发表了题为“医工结合：结合数据驱动和生物力学的心血管疾病建模”的报告。王老师介绍了心血管疾病的建模流程，提出采用神经网络实现血管斑块应力预测，相比有限元方法求解，可以大大降低求解耗时和对网格质量的需求。

通过各位专家的精彩的报告，我们可以看到人工智能正在从多领域、多角度影响和改变科学研究的实现方式，AI for Science正在成为全球科学研究新范式。

交流探讨，共创表彰

近年来，飞桨持续致力于AI for Science的产品创新和交叉型科研生态建设，并于2023年初发布了AI for Science共创计划，期望与企业、高校、科研院所和超算等伙伴携手，共同建设基于飞桨AI for Science的顶尖开源项目, 打造活跃、前瞻性的AI for Science开源社区，通过产学研闭环，推动科研创新与产业赋能。该计划目前已经吸引了超过40位海内外高校师生和从业人员报名参加，在飞桨专家的1对1的辅导下，11支队伍完成了项目交付，成果覆盖空气动力学、结构力学、气象、计算传播学等多个领域。其中“基于数据驱动U-Net模型的大气污染物扩散快速预测”项目被第一届全国数据驱动计算力学研讨会（大连）收录，还有几支队伍正在基于共创项目撰写学术期刊稿件。未来，相信我们可以陆续看到更多的飞桨共创成果在AI for Science相关会议或期刊上发表。

飞桨AI for Science的蓬勃发展离不开各领域学者和从业人员的深入合作与大力支持。为了表彰在AI for Science社区建设中做出了积极贡献的专家，会议现场还为他们颁发了“百度飞桨AI4S 学术导师证书”。

未来，飞桨将持续不断加大对AI for Science领域的技术支持，为人工智能与科学发展赋能，汇聚科研成果、人才资源和产品创新，为AI for Science的发展提供坚实力量。