目录
简介
人工智能一直与自然科学有着深厚的联系。 人工神经网络最初被认为是生物神经网络的抽象，许多后续算法（例如强化学习）也是如此。 神经网络也受到了物理学中许多概念的启发，例如 Hopfield 网络是根据伊辛模型建模的。 最近，对称性和重整化群等物理学概念也被纳入新颖的深层架构的设计中。 借助这些新工具，深度学习彻底改变了自然语言处理和计算机视觉等领域。 同样在相反的方向上，机器学习对实验数据的分析做出了巨大贡献，例如欧洲核子研究中心的粒子碰撞事件。 然而，最近，一种新的科学范式正在出现，深度学习模型正在加速和改进科学模拟，被一些人称为第五种科学范式。 在本次演讲中，我将首先介绍我们面临的将机器学习应用于科学发现的机会。 在演讲的后半部分，我将更详细地讨论深度学习中的对称性，以及我们关于如何将深度神经网络的隐藏层建模为偏微分方程描述的场的最新想法。 令人惊讶的是，人工皮层隐藏层的这种视野可以扩展到量子领域并映射到光学量子计算机设计。 这种智力练习对于实用的量子计算机有多大用处，我将留给观众想象。
Prof. Max Welling: https://staff.fnwi.uva.nl/m.welling/
AI4Science & Science4AI
深度学习简介
AI4Science
Science4AI
使用偏微分方程（PDE：Partial differential equation）帮助我们构建更好的神经网络
旋转并不等效：发现图片信息（信号）有变化的，并不是不变的
泛化/广义等变性
量子理论
总结/结束语
生物、分子，药物、新材料等
参考
演讲 | 2022年普林斯顿《深度学习和自然科学：完美结合？》| 阿姆斯特丹大学Max Welling教授_哔哩哔哩_bilibili
