题目: Data Driven Governing Equations Recovery with Deep Neural Networks
报告人：修东滨 教授（俄亥俄州立大学）
报告时间：2019.10.23 下午14:00-15:00
报告地点：数学学院E404（沙河校区）
摘要: We present effective numerical algorithms for recovering unknown governing differential equations from measurement data. Upon recasting the problem into a function approximation problem, we discuss several important aspects for accurate recovery/approximation. Most notably, we discuss the importance of using a large number of short bursts of trajectory data, rather than using data from a single long trajectory. We also present several recovery strategies using deep neural networks (DNNs), especially those based on reside network (ResNet). We then present an extensive set of numerical examples of both linear and nonlinear systems to demonstrate the properties and effectiveness of our equation recovery algorithms.
个人简介：修东滨教授是计算数学领域的国际著名学者，不确定性量化学科的重要奠基人。他本科毕业于中国浙江大学力学系，后赴美国弗吉尼亚大学机械与航空系就读硕士。博士期间，他师从美国应用数学领域的著名学者George Karniadakis教授，并于2003年获得美国布朗大学（Brown University）应用数学系博士学位。修东滨教授在2009年获得了美国普渡大学的终身副教授职位，并于2012年获升为终身正教授。他稍后再2013年入职美国犹他大学(University of Utah)，在数学系、科学计算与影像研究院担任终身正教授。2016年，修东滨教授获得美国俄亥俄州终身杰出学者奖，于同年加入美国俄亥俄州立大学数学系，担任终身正教授。修东滨教授作为不确定性量化学科的重要奠基人，研究成果丰硕且影响巨大，获得了美国国家科学基金委、美国能源部等国家级机构的长期资助。他先后在Journal of Scientific Computing、Journal of Computational Physic等计算数学领域的国际顶级期刊上发表了近107篇论文，总引用超过12900次，H-index为36次。
