往 期 培 训

Previous Training


大模型 PINN 有限元+量子计算
  • 第3届北京等贤大模型PINN+神经算子+Codex科研培训班第一轮通知

    随着工程物理问题日益复杂,传统有限元法在网格划分、计算成本与多物理场耦 合方面面临巨大挑战,而物理信息神经网络(PINN)通过将控制方程、边界条 件直接嵌入损失函数,实现了无网格、可微分的偏微分方程求解。本培训进一步 融合大模型与量子计算的前沿技术:一方面,基于大模型架构的 PINN 能够利用 预训练权重加速不同几何与材料场景下的正向模拟与参数反演,通过注意力机制 自动识别关键物理特征,显著提升非线性、多尺度问题的收敛效率;另一方面, 量子计算为有限元与 PINN 提供了指数级加速的潜力——量子线路可高效求解 大型稀疏线性系统(如 HHL 算法),量子神经网络(QNN)可构造参数化量子 电路来编码物理残差,从而实现量子增强的 PINN 框架。课程将系统讲解:经典 有限元与 PINN 的互补关系;大模型如何提升 PINN 的泛化能力与训练稳定性; 量子计算在数值积分、矩阵求逆与非线性优化中的嵌入方式;以及三者协同在固 体力学、流体力学与热传导等典型场景的落地案例。学员将掌握从理论建模、代 码实现到混合计算环境部署的全流程技能,为下一代智能科学与工程计算储备关键技术。

  • 第2届北京等贤大模型PINN+神经算子+Codex科研培训班第一轮通知

    随着工程物理问题日益复杂,传统有限元法在网格划分、计算成本与多物理场耦 合方面面临巨大挑战,而物理信息神经网络(PINN)通过将控制方程、边界条 件直接嵌入损失函数,实现了无网格、可微分的偏微分方程求解。本培训进一步 融合大模型与量子计算的前沿技术:一方面,基于大模型架构的 PINN 能够利用 预训练权重加速不同几何与材料场景下的正向模拟与参数反演,通过注意力机制 自动识别关键物理特征,显著提升非线性、多尺度问题的收敛效率;另一方面, 量子计算为有限元与 PINN 提供了指数级加速的潜力——量子线路可高效求解 大型稀疏线性系统(如 HHL 算法),量子神经网络(QNN)可构造参数化量子 电路来编码物理残差,从而实现量子增强的 PINN 框架。课程将系统讲解:经典 有限元与 PINN 的互补关系;大模型如何提升 PINN 的泛化能力与训练稳定性; 量子计算在数值积分、矩阵求逆与非线性优化中的嵌入方式;以及三者协同在固 体力学、流体力学与热传导等典型场景的落地案例。学员将掌握从理论建模、代 码实现到混合计算环境部署的全流程技能,为下一代智能科学与工程计算储备关键技术。

  • 第1届北京等贤大模型PINN培训班第一轮通知

    随着工程物理问题日益复杂,传统有限元法在网格划分、计算成本与多物理场耦 合方面面临巨大挑战,而物理信息神经网络(PINN)通过将控制方程、边界条 件直接嵌入损失函数,实现了无网格、可微分的偏微分方程求解。本培训进一步 融合大模型与量子计算的前沿技术:一方面,基于大模型架构的 PINN 能够利用 预训练权重加速不同几何与材料场景下的正向模拟与参数反演,通过注意力机制 自动识别关键物理特征,显著提升非线性、多尺度问题的收敛效率;另一方面, 量子计算为有限元与 PINN 提供了指数级加速的潜力——量子线路可高效求解 大型稀疏线性系统(如 HHL 算法),量子神经网络(QNN)可构造参数化量子 电路来编码物理残差,从而实现量子增强的 PINN 框架。课程将系统讲解:经典 有限元与 PINN 的互补关系;大模型如何提升 PINN 的泛化能力与训练稳定性; 量子计算在数值积分、矩阵求逆与非线性优化中的嵌入方式;以及三者协同在固 体力学、流体力学与热传导等典型场景的落地案例。学员将掌握从理论建模、代 码实现到混合计算环境部署的全流程技能,为下一代智能科学与工程计算储备关 键技术。

共有1页首页上一页1下一页 跳转 页 确定 尾页
seo seo