Seminars on Numerical Algorithms, Analyses, and Applications： 生成式模型：连接计算数学、随机热力学和人工智能

报告人：周翔（香港城市大学）

时  间：2026年5月13日9:00

地  点：海韵园实验楼S105

内容摘要:

现代人工智能技术中的生成式模型（generative modelling）提供了一种借助深度神经网络来抽样和分析复杂高纬数据和概率分布的新型计算工具和数学模型。发源自人工智能领域的这一大类前沿算法，虽然只局限于ODE和Ito SDE模型，本质是由于概率分布空间里面连接A、B两个概率的曲线共享概率流，构造和实现各类复杂的A到B和B到A的动力学算法，通过normalizing flow深度网络完成计算和学习任务，实现了欧拉观点和拉格朗日观点两种不同计算哲学的前所未有的有机融合，也打穿复杂随机动力系统（高斯vs非高斯）的共性统一。由此出发的数理理论涵盖最优传输、薛定谔桥、score 函数、概率流、非平衡统计物理等重要课题，在随机热力学和新一代AI或有潜在应用和启发价值。本次报告简介课题组这个方向的若干初步进展：

Weak Generative Sampler (Z. Cai, Y. Huang and X. Zhou. Accepted {SIAM Scientific Computing}, 2026)

L\'{e}vy Score Function (YF Huang, CY Liu and X. Zhou, accepted {SIAM Numerical Analysis}, 2026)

Entropy Production in Non-Gaussian Active Matter（YF Huang, CY Liu, B Miao and X Zhou. {Phys. Rev. Lett.} 136, 068302， 2026)

Probability Flow Approach to the Onsager--Machlup Functional (Y. Huang, X. Zhou and J. Duan, {SIAM Applied Math}, vol. 85, Iss.2. pp524-547, 2025)

个人简介：

周翔博士为香港城市大学数学系副教授，并同时隶属于数据科学学系。他的研究聚焦于科学计算中计算算法的数值与数学问题，尤其关注自然科学与工程中出现的复杂动力系统。我的工作综合运用概率论、随机过程、动力系统、数值分析、优化、最优控制与机器学习等工具，设计高效方法，以更好地理解诸如稀有事件等复杂现象。近期项目进一步探索机器学习与动力系统之间的相互作用，应用于稀有事件这一长期挑战，以及用于采样、学习的生成式方法与相关模型，并涉及数据与概率分布方面的问题。研究工作发表在SINUM, SISC, PRL等国际著名期刊。

联系人：陈黄鑫