复杂动力系统的数据驱动建模与加速

本次报告从高性能量计算与高保真流体模拟出发，探讨如何利用人工智能突破传统数值模拟在计算成本和实时预测方面的瓶颈。重点介绍其在时空解耦生成模型、LBM神经算子与量子机器学习等方向的最新研究，包括面向湍流和生物流体的Uni-Flow框架，以及利用量子先验提升复杂混沌系统长期预测稳定性的研究。

报告还将讨论从高保真模拟、流体生成式AI模型的发展路径，以及其在实时数字孪生和科学智能中的应用。

薛骁，现任英国伦敦大学学院（UCL）计算科学中心研究员，主要从事科学机器学习、格子玻尔兹曼方法、生成式人工智能、量子机器学习、复杂流体与高性能量计算研究。加入UCL前，曾在瑞典查尔姆斯理工大学从事博士后研究。

博士毕业于荷兰埃因霍温理工大学，获玛丽·居里学者资助，并曾赴英伟达（NVIDIA）实习。硕士毕业于德国慕尼黑工业大学（TUM），期间曾在瑞士苏黎世联邦理工学院（ETH Zurich）开展学习与科研，本科毕业于哈尔滨工业大学。

近年来聚焦复杂动力系统的数据驱动建模与计算加速，相关成果发表于Science Advances、Nature Communications、Communications Physics、ICML、ICLR 等期刊和会议。