5 月 19-21 日，第一届全国数据驱动计算力学研讨会在大连召开。本次研讨会由中国力学学会主办，大连理工大学运载工程与力学学部承办，北京理工大学先进构造技术研究院协办。
会议共吸引了 400 多位来自全国各地高校与企业的老师与学生参会，本次研讨会聚焦“数据驱动计算力学与工程科技前沿”，涵盖数据驱动计算力学的数学实践、多场多尺度剖析、构造优化设计等主题，为国内外相干钻研畛域的学者搭建学术交流平台，展现数据驱动计算力学钻研前沿的最新成绩与停顿，造成并稳固一批数据驱动计算力学畛域的学者队伍，以期促成中国计算力学学科的倒退。
会议邀请到程耿东院士、方岱宁院士、张对立院士、何国威院士和魏悦广院士做主会场特邀报告。报告的内容别离为数据驱动的模型降阶法、AI 驱动的先进结构设计与分析方法、Materials GPT and Domain Knowledge Guided Machine Learning、数据驱动的湍流钻研、先进资料跨尺度力学行为的计算模仿，论述了对数据驱动计算力学倒退的观点和科研停顿。
在分会场上，来自海内外高校科研院所的老师就“基于数据驱动的简单力学行为数值模仿”、“基于数据驱动的构造优化设计”、“基于数据驱动的多尺度 / 多物理场剖析”、“基于数据驱动的超资料设计”、“基于数据驱动的构造能源响应分析”、“基于数据驱动的构造不确定性剖析”共 6 个方向进行了 198 场精彩纷呈的报告。
主题分享
赛桨 PaddleScience 最新科研停顿
百度飞桨携 AI for Science 畛域新成绩——污染物扩散疾速预测模型参加本次研讨会，百度工程师王冠在会上做了题为《基于数据驱动 U-Net 模型的大气污染物扩散疾速预测》的报告，并与参会学者相互交换和学习，推动 AI for Science 的倒退。
训练数据推理
预测后果
本报告中，咱们介绍了基于百度飞桨科学计算工具组件赛桨 PaddleScience 搭建的 U-Net 网络，这是一种基于 Encoder-Decoder 和卷积的一种网络结构，通过污染物扩散云图来学习污染物扩散的模型参数。
以后，常见的大气污染预测模型大多是基于物理机理构建的，比方空气质量预测模型 Calpuff、AERMOD、CMAQ 等。然而，这些模型运算较为简单，对于输出数据的要求十分高，运算耗时也比拟长，适宜用于惯例固定区域的预报。当遇到突发净化事件时，就无奈无效发挥作用。针对以上问题，本我的项目以某城区 3km*3km 范畴的固定模仿区域，依据污染物扩散模型，疾速计算任意开释点源和任意风向的污染物扩散动图，并进行精度评估。仅利用城市部分污染物扩散云图作为输出，应用深度学习模型提取图像中污染物扩散的特色，纯数据驱动，无需建设物理模型，预测耗时短，适宜作为突发净化扩散事件时的应急处理决策辅助。
从我的项目后果来看，模型计算速度相比 CFD 模仿晋升显著，然而模型预测的成果还有待晋升。将来将通过摸索更多时刻预测、引入更先进的网络架构、调整网络参数、物理先验常识，一直优化模型预测成果。
后续的我的项目开发，咱们期待与企业、高校、科研院所以及超算等搭档携手共建，打造沉闷的前瞻性的 AI for Science 开源社区，建设产学研闭环，推动科研翻新与产业赋能。
产品基石
飞桨 AI for Science
百度飞桨（PaddlePaddle）将 AI 办法利用于典型的迷信与工程畛域，促成数学、物理、化学、生物等多个学科的穿插交融。目前针对通用物理迷信、生物计算、量子机器学习畛域公布了赛桨 PaddleScience、螺旋桨 PaddleHelix、量桨 Paddle Quantum 工具，并全量适配深度学习科学计算工具 DeepXDE，提供数据驱动、数理交融等多种 AI for Science 办法模型，提供简单形状障碍物绕流、构造应力应变剖析、设施对流散热、资料分子模仿等丰盛畛域算例，广泛支持 AI+ 计算力学、生物计算、量子计算等前沿方向的科研和产业利用。
其中 AI for Science 工具组件赛桨 PaddleScience，是国内首个基于 AI 框架的公开且可利用于计算流体力学（CFD）畛域的工具，提供端到端的利用 API，重点围绕高水平科研活动场景，解决重大科研问题。
赛桨 PaddleScience v1.0 正式版蕴含了如下四方面的特色：
API 架构更新
从用户应用习惯角度，兼顾深度学习及 CFD\&CAE 用户体验，从数据预处理、模型抉择、网络优化求解、后果后处理等角度更新 API 元素，晋升用户应用体验。
丰盛的场景案例
提供 2D & 3D 圆柱绕流、涡激振动、对流散热及方程反演等根底案例，同时新增构造畛域中 2D & 3D 构造受力剖析案例。并提供气象预报、污染物扩散等相干案例，反对间接复用及二次开发。
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 降级更新
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，反对 2D & 3D 根底几何定义、STL 简单形状解析及布尔操作等，并提供准随机采样、部分加密采样等性能。
将来，飞桨 AI for Science 将一直加大技术支持，为人工智能与力学科研倒退赋能，汇聚科研成果、人才资源、产品翻新，为 AI for Science 的倒退提供松软力量。
相干地址
飞桨科学计算实训示例
飞桨 AI for Science 共创打算
飞桨 PPSIG-Science 小组
飞桨 PaddleScience 工具组件