多尺度动力学的学习与推断：数据同化与介观建模 Learning and Inference for Multiscale Dynamics: Data Assimilation and Mesoscopic Modeling
数学专题报告
报告题目(Title)：多尺度动力学的学习与推断：数据同化与介观建模 Learning and Inference for Multiscale Dynamics: Data Assimilation and Mesoscopic Modeling
报告人(Speaker)：李卓远 博士（新加坡国立大学）
地点(Place)：后主楼1124
时间(Time)：2026年11月12日（周四）17:00-18:00
邀请人(Inviter)：殷鉴远
报告摘要
多尺度建模关注底层动力学与可计算、可观测的物理量之间的联系，其正向任务是从微观信息中构建有效的介观或宏观演化规律。与之互补，数据同化通过融合动力学模型与不完整、带噪或间接的观测，推断底层系统的状态及其演化。本报告围绕这两个相互关联的问题，介绍面向未知动力学和复杂观测的数据同化方法，以及物理结构约束下的介观动力学学习。在数据同化方面，报告将介绍如何结合数据驱动的低维表示，利用有限观测推断高维系统状态，并讨论生成模型与随机最优控制在处理复杂观测关系及其诱导的非高斯状态不确定性方面的应用。在介观建模方面，报告将以聚合物和非线性粒子链为例，讨论如何基于广义 Onsager 原理学习有效状态变量、能量景观及介观演化规律，并在适当的结构假设下研究模型的稳定性与可辨识性。报告将结合数值结果与物理案例，展示物理结构与观测信息在复杂动力学研究中的互补作用，并讨论介观建模与数据同化进一步结合的研究方向。
主讲人简介
李卓远，现任新加坡国立大学功能智能材料研究所（I-FIM）博士后，2025年获北京大学计算数学博士学位，师从张平文教授和董彬教授。主要从事机器学习与科学计算的交叉研究，研究方向包括数据同化、逆问题与不确定性量化，以及可解释的多尺度动力学建模，重点关注如何结合物理结构与数据驱动方法，实现复杂系统的状态推断与动力学学习。相关研究成果发表于 Proceedings of the National Academy of Sciences、Science Advances 、Journal of Computational Physics 等学术期刊及 NeurIPS 等国际会议。
