个人简介：汪炀，中国科学技术大学计算机学院/软件学院副教授、软件学院副院长。安徽省杰青，CCF物联网专委会委员、智慧交通分委会执委。研究方向包括数据驱动的智能算法及面向科学智能的人工智能研究，以第一/通讯作者在国际期刊/会议发表论文80余篇，包括PNAS、JACs、IEEE TPAMI、ICML、NeurIPS、ICLR等。以项目或课题负责人身份承担中央科技委攻坚专项、国家自然科学基金-国家重大科学仪器研制项目在内的30余项国家级项目，正致力于以人工智能算法基座为核心，赋能重大科研仪器研制与智能科学家平台，服务国家重大需求。

报告摘要：蛋白从头设计可以打破自然进化的约束，按需设计具有特定空间结构和预期功能的全新蛋白质，在绿色制造、生物材料和蛋白药物研发等领域具有广泛的应用前景。随着人工智能技术的飞速发展，AI赋能的蛋白质设计将颠覆传统的蛋白质工程研究范式，通过计算与高通量实验相结合，形成“设计-构建-测试-学习”的高通量闭环，日益成为生物大分子设计新范式发展和应用中的关键环节。报告人将系统梳理本课题组在蛋白质从头设计方面取得的研究进展，并展示这些设计方法在近红外荧光蛋白和酶设计等具体案例中的应用成果。

个人简介：陈泉，博士，教授。2007年毕业于中国科学技术大学生物化学与分子生物学系，获理学博士学位。2007至2011年先后在美国Mayo Clinic和南加州大学进行博士后研究，开展G蛋白偶联受体的结构和功能、锌指蛋白的设计与筛选研究工作。2011年入职中国科学技术大学，聚焦蛋白质设计改造及在合成生物学中的应用。获教育部“青年长江学者”、安徽省杰青、中科院青年创新促进会等人才项目资助。研究工作发表于Nature、Nature Methods、Nature Computational Science、Nature Communications、PNAS、Nucleic Acids Research等期刊。

报告摘要：尺度定律（scaling law），即通过对训练数据集和可学习参数的强力扩展，已成为开发更强大学习模型的普遍策略。由于数据、计算和信任方面的瓶颈，尺度法则的可持续性对深度学习的未来构成了严重的担忧。我们通过以简约的方式（即通过更简单的模型实现更大的潜力）开发下一代模型来解决这一问题。其关键在于利用领域特定的知识，如符号、逻辑和公式来驱动模型，而不是依赖扩展法则。这种方法使我们能够构建一个以这些知识为“构建模块”的框架，以在模型设计、训练和解释中实现简约。实证结果表明，提出的方法优于通常遵循尺度法则的方法。我们还展示了提出的框架在科学人工智能中的应用，特别是在药物相互作用预测问题上。我们希望此研究能在基础模型时代促进更多样化的技术路线图。

个人简介：姚权铭，清华大学电子工程系助理教授，CCF高级会员，国家高层次青年人才计划入选者。研究方向为机器学习和科学智能。发表顶级论文100余篇，包括Nature Computational Science、Nature Communication、JMLR、IEEE TPAMI、ICML、NeurIPS、ICLR等，总被引超万次。担任ICML、NeurIPS和ICLR领域主席、Neural Network和Machine Learning期刊编委。荣获首届蚂蚁Intech科技奖、国际神经网络学会（INNS）早期成就奖、Google全球博士奖，并受邀在国际人工智能大会（AAAI）上做早期成就报告。

报告摘要：理解并预测我们赖以生存的地球系统是人类自古至今的核心诉求之一。随着以卫星、雷达为代表的各种数据感知手段的日益丰富和大规模计算平台的完善，人工智能技术在处理大规模地球科学数据方面的优势逐渐显现，为气象预报、环境监测、应对气候变化等提供了全新的思路。本次报告将首先简要介绍分享人团队在人工智能驱动的气象预报系统方面的系列工作，然后重点介绍首个十公里级分辨率全球气象预报大模型风乌GHR和首个全球海洋气候预报大模型风乌ORCA，最后对人工智能驱动的地球科学研究未来发展方向进行展望。

个人简介：白磊，上海人工智能实验室青年科学家。博士毕业于新南威尔士大学，其后于悉尼大学任博士后研究员。研究方向为世界模型、多智能体及其在地球空间科学领域（如全球气象气候预测）的应用。已在Nature子刊、IEEE TPAMI、NeurIPS等人工智能领域顶级期刊会议发表学术论文80余篇，谷歌学术论文引用4000余次。负责研发的风乌气象大模型将全球中期气象预报可用性提高到10天以上，计算效率较传统方法提高2000倍以上，首次实现10公里级全球气象大模型，被新华社、人民网、中国新闻周刊、环球时报等主流媒体报道。入选国家及上海市人才计划，获2024 IEEE TCSVT最佳论文奖、2022年世界人工智能大会云帆奖、2020年新南威尔士大学工程研究卓越奖、2019年谷歌博士奖学金等。

报告摘要：从有限数据中推断出最优解被认为是科学发现的终极目标。人工智能为大幅加速这一过程提供了一个有前景的途径。现有方法通常依赖于大规模数据集、对目标函数的强假设以及传统机器学习技术，这限制了它们在低维或数据丰富问题上的有效性。我们提出了一种深度主动学习方法，该方法结合了深度神经网络与一种新颖的树搜索方法，在高维复杂问题中寻找具有非累积目标函数和有限数据可用性的优越解。我们的方法通过神经代理模型以迭代方式接近最优解，并引入了新的搜索机制，以绕过局部最优并最小化实现优越解所需的样本数量。这些贡献使得我们的方法能够在高达2,000维的多样性问题中获得优越解，而现有方法仅限于100维，并需要多达10倍的数据量。我们的方法展示了广泛的适用性，在多个领域科学问题中发现了优越解。这一进步实现了数据高效的知识发现，并为可扩展的自主实验室铺平了道路。尽管我们专注于科学领域的问题，这里的进步同样适用于所有定量学科中的广泛挑战。

个人简介：韦业，香港城市大学数据科学系/材料系校长助理教授。2018年在德国亚琛工业大学获得物理学硕士学位，2021年在德国马普学会可持续材料与智能系统研究所获得博士学位。毕业后，于清华大学交叉信息研究院从事计算机科学开展博士后研究。自2023年到2024年期间，于瑞士洛桑联邦理工学院（EPFL）生物工程学院开展基于人工智能的计算设计研究。他目前是香港城市大学数据科学系/材料系校长助理教授。研究兴趣包括优化、自监督学习以及物理启发的机器学习，重点解决复杂现实系统中的高维非线性问题。

报告摘要：城市是多尺度的复杂系统，现实世界积累的海量真实数据使其成为复杂系统自动建模方法的理想应用场景，本报告主要涵盖城市复杂系统的两类主要问题。1.预测和模拟：预测复杂系统的长期演化状态、韧性对于城市中的基础设施、生态系统至关重要，将介绍物理信息融合神经网络(PINN)、神经常微分方程(Neural ODE)以及扩散模型(Diffusion Generative Model)技术来克服基于真实数据的建模难题；2.规律发现：基于真实数据，利用前述复杂系统的动力学推断方法能够发现城市系统的内在演化规律，以人流移动为例，相比经典的“社会力”物理模型(Social Force)，基于真实数据提炼的新物理公式能更好的模拟各种场景下的人群移动。

个人简介：丁璟韬, 清华大学电子工程系城市科学与技术研究中心博士后研究员。于清华大学电子工程系获得学士、博士学位，主要研究方向为AI驱动的时空复杂系统生成式建模及应用。在NeurIPS、ICLR、KDD、WWW、AAAI、IJCAI等国际会议与期刊发表学术论文50余篇，担任PLOS Complex Systems的学术编辑（Academic Editor）以及KDD、NeurIPS、ICML、ICLR、AAAI等国际会议的程序委员会委员（PC member）。社会任职与获奖方面，丁璟韬博士曾组织 CNCC 2022 技术论坛（AI+复杂系统）并获优秀论坛称号，曾获2018年国际万维网大会（WWW 2018）最佳海报论文奖、国际会议IEEE IWCWC 2019、ACM HotPOST 2015最佳论文奖，主持国家自然科学基金面上基金等项目。