云境伙伴｜北大丁陈森研究员：面向大规模复杂装备的小样本低能耗高可信智能仿真方法及应用

3月18日，云境智仿有幸邀请到北京大学丁陈森研究员到公司进行一场关于"面向大规模复杂装备的小样本低能耗高可信智能仿真方法及应用"的学术交流和分享活动。

这次分享聚焦于智能仿真领域的前沿技术和应用，特别关注针对大规模复杂装备的仿真技术需求，探索创新的智能仿真方法，以应对工程领域日益复杂和多样化的需求挑战。

丁陈森研究员指出在智能仿真领域，人工智能面临着诸多挑战，其中包括装备参数维度高、仿真过程复杂、样本获取成本高、存在高噪声和不确定性，以及能耗较高等问题。

针对这些问题，丁陈森研究员及其团队了提出概率数据驱动（PDD）算法。该算法利用贝叶斯推论和和函数定义数据之间的关系和概率预测的方法，能够更准确地进行小样本预测，并提高仿真结果的可信度和可靠性。通过 PDD 算法，智能仿真系统能够更有效地解决装备参数维度高、仿真过程复杂、样本获取成本高、高噪声、不确定性和高能耗等问题，达到超高维、多尺度以及预测动态系统的效果，为工程领域的仿真应用带来更加创新和可靠的解决方案。

随后，丁陈森研究员与参会人员分享了多个实际案例，并进行深入的学术探讨和交流，共同探讨智能仿真领域的技术挑战和发展趋势。通过分享经验和见解，相信能够为智能仿真领域的研究和应用带来新的思路和启发。

未来，云境智仿将继续与北京大学丁陈森研究员开展更多的学术交流活动和合作项目，共同推动智能仿真技术的发展，为社会和产业创新提供更多有益的技术解决方案！

丁陈森，北京大学工学院力学与工程科学系助理教授、研究员、博导，负责计算力学和数据驱动工程课题组。2016年至2018年，作为国家联合培养博士，赴美国明尼苏达大学美国国防高性能计算中心深造。2020-2022年在英国埃克塞特大学数据科学与人工智能研究所任博士后研究员。2018–2020年在卢森堡大学计算和数据科学研究所担任博士后。学术服务方面，丁陈森曾受国际工业与应用数学(SIAM) 和欧洲应用科学计算方法 (ECCOMAS)等协会邀请作国际会议专题报告，并担任多个国际顶级/著名期刊的客座编辑、编委和审稿人，包括Applied Mathematical Modelling、Journal of Computational Science、Composites Part B: Engineering、International Journal of Heat and Mass Transfer、Thin-Walled Structures等期刊。

丁陈森研究员研究方向包括计算力学（数值模拟）算法和工业软件开发、数据驱动/人工智能算法、软件和应用、装备不确定性和可靠性分析优化、结构/材料一体化分析优化和智造。