报告人：许志钦 副教授（上海交通大学）

报告内容：

本报告关注现象驱动的深度学习的基础研究，将汇报频率原则、凝聚现象等常见现象，理解为什么 神经网络会在过参数化下呈现好的泛化能力。进一步，在凝聚现象的基础上，我们讨论模型初始化对 Transformer网络的推理能力的影响。在应用层面，我们讨论基于神经网络算法加速燃烧的模拟。 

报告人简介：

许志钦，上海交通大学自然科学研究院/数学科学学院长聘教轨副教授。2012年 本科毕业于上海交通大学致远学院。2016年博士毕业于上海交通大学，获应用数 学博士学位。2016年至2019年，在纽约大学阿布扎比分校和柯朗研究所做博士 后。在深度学习基础研究方面，与合作者共同发现深度学习中的频率原则、参数 凝聚和能量景观嵌入原则，发展多尺度神经网络、设计锚函数研究Transformer网 络机理等。在AI for Science，主要是在燃烧化学反应方面，与合作者共同发展基于 深度深习的机理简化方法和基于深度学习的替代模型加速燃烧模拟。发表论文于 TPAMI, JMLR，AAAI，NeurIPS，ICLR，SIMODS，CiCP， JCP, Combustion and Flame等学术期刊和会议。现为Journal of Machine Learning的managing editor之一。  

主持人：赵耀民 研究员（北京大学应用物理与技术研究中心）

时  间：2024年5月16日（周四）12:00

地  点：北京大学工学院1号楼210会议室