气候如何演变？材料的宏观性质如何从微观相互作用中涌现？复杂量子系统如何表征与模拟？
这些问题横跨不同领域，却面临相似挑战：系统维度高、相互作用强，往往难以用简洁的模型描述，也难以通过有限的计算充分理解。
近年来，机器学习为探索这些问题提供了新的工具。从识别关键物理特征，到加速计算成本高昂的模拟，再到求解困难的反问题，科学机器学习正展现出广泛潜力。然而，如何让模型在学习数据的同时遵循物理规律，并帮助我们理解系统背后的机制，仍值得深入探索。
SAIS Talk第34期，我们邀请到塔夫茨大学电气与计算机工程系助理教授Peter Y. Lu，以“用于建模和理解复杂物理系统的科学机器学习”为题，介绍从高维混沌动力学到相互作用量子系统的研究进展，探讨机器学习如何帮助建模与理解复杂物理世界。
10月30日（周五）14:00，诚邀同仁前来交流、交友！（线下参与请发送姓名、机构、手机号至sais@sais.org.cn，报名截止30日9:00，确认会以邮件在当日11:00前回复）
