Talk预告 | 中国科学院胡佩炎：真实与仿真数据配对的 AI for PDEs 基准与数据集|中国科学院|人工智能|源代码|电子表格|胡佩炎

本期为TechBeat人工智能社区第759期线上Talk。

北京时间4月15日(周三) 20:00，中国科学院数学所博士生胡佩炎的Talk将准时在TechBeat人工智能社区开播！

她与大家分享的主题是：真实与仿真数据配对的 AI for PDEs 基准与数据集。届时她将介绍首个面向 AI for PDEs 的真实—仿真配对基准 RealPDEBench，分享如何通过 736 组真实与仿真配对数据、三种训练模式、双轨评估指标与多类基线模型，系统推动复杂物理系统从仿真走向真实场景，并进一步讨论其对 Sim2Real 与真实应用落地的启发。相关工作曾获 ICLR Oral。

Talk·信息

主题：真实与仿真数据配对的 AI for PDEs 基准与数据集

嘉宾：中国科学院数学所·博士生 - 胡佩炎

时间：北京时间4月15日(周三) 20:00

地点：TechBeat人工智能社区

http://www.techbeat.net/

Talk·介绍

AI 社区已经渐渐关注到，AI 的下半场是评估方式的改进，而对于 AI for PDE 的下半场，我们就社区存在已久的真实实验数据缺失的问题，提出了第一个仿真数据与真实数据配对的 Benchmark，该工作获得了 ICLR Oral。

具体来说，我们提出的 RealPDEBench 主要包含：736 组真实 + 仿真配对数据，覆盖圆柱绕流、燃烧反应等 5 大核心物理场景，每组都有 2000 + 帧轨迹，参数覆盖全面；3 种训练模式：纯仿真训练、纯实测数据训练、仿真预训练 + 实测微调；8 个双轨评估指标：既有 RMSE 这类数值指标看精度，也有动能误差、频率误差等物理指标保规律；10 个现成基线模型 + 开源代码框架，包括基础模型 DPOT，经典的 Neural Operator，基于 Transformer/Diffusion 的模型等等。

Talk大纲

1. 背景介绍：AI for PDEs 领域的现状与过去的主要工作。

2. 研究动机：社区内真实数据的缺失以及落地困难。

3. 贡献：提出的 RealPDEBench 的亮点与重要性。

4. 总结展望：RealPDEBench 对未来 Sim2Real、真实场景应用等场景的启发。

Talk·预习资料

[1] RealPDEBench: A Benchmark for Complex Physical Systems with Real-World Data 论文链接：https://arxiv.org/abs/2601.01829 项目主页：https://realpdebench.github.io/

[2] Wavelet Diffusion Neural Operator 论文链接：https://arxiv.org/abs/2412.04833

Talk·提问交流

在Talk界面下的【交流区】参与互动！留下你的打call和问题，和更多小伙伴们共同讨论，被讲者直接翻牌解答！

你的每一次贡献，我们都会给予你相应的i豆积分，还会有惊喜奖励哦！

Talk·嘉宾介绍

胡佩炎

中国科学院数学所·博士生‍‍‍

胡佩炎是中国科学院数学所博士四年级的学生，导师为马志明院士。她本科就读于中国科学院大学，主修专业为数学与应用数学，次修专业为计算机科学与技术。她的研究方向包括，将AI技术应用于复杂物理系统的预测和控制，扩散模型在视觉与语言中的应用等。她曾在 ICLR、NeurIPS、ICML 等A类人工智能顶会上发表多篇第一及共同第一作者的文章，并且一作文章曾获得过 ICLR Oral 等奖项。她曾获得过中国科协青年科技人才培育工程博士生专项、博士国家奖学金、北京市优秀本科毕业生、本科国家奖学金等荣誉。