智源社区 2024年07月16日
从高阶相互作用到神经算子模型:启发更好的AI | 周一直播·AI by Complexity读书会
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html

 

集智俱乐部联合多位学者发起「AI By Complexity」读书会,旨在探讨复杂系统理论如何指导未来AI的设计。通过分析复杂系统的涌现、层级、鲁棒性等特征,寻求设计更优AI模型的灵感。活动自6月10日起,每周一晚上举办,欢迎相关领域研究者及爱好者参与交流。

📚 读书会背景:结合复杂系统理论与AI设计,多位学者共同探讨如何度量复杂系统的优劣,理解其机制,并应用于AI模型设计。

💡 关键议题:分析复杂系统的涌现、层级、鲁棒性、非线性、演化等特征,探讨这些特征如何启发设计更优秀的AI系统。

🔍 研究视角:从优秀的AI系统和创新性神经网络中寻找复杂系统的特征,以期在理论上指导AI设计的实践。

🗓️ 活动安排:读书会自6月10日起,每周一晚上20:00-22:00举办,为研究者提供一个交流平台。

🤝 参与对象:欢迎从事相关领域研究、对AI+Complexity感兴趣的朋友们报名参加,共同探讨复杂系统与AI的融合发展。

    背景知识:

      唯象重整化群和拉普拉斯重整化群

      不可分解高阶相互作用

    单纯形路径积分

    单纯形重整化群

    单纯形重整化群分析应用

    Cheng, A., Xu, Y., Sun, P., & Tian, Y. (2024). Simplex path integral and simplex renormalization group for high-order interactions. arXiv preprint arXiv:2305.01895. Accepted by Reports on Progress in Physics

    Lucas M, Cencetti G, Battiston F. Multiorder Laplacian for synchronization in higher-order networks[J]. Physical Review Research, 2020, 2(3): 033410.

    Villegas P, Gili T, Caldarelli G, et al. Laplacian renormalization group for heterogeneous networks[J]. Nature Physics, 2023, 19(3): 445-450.

    Bradde S, Bialek W. Pca meets rg[J]. Journal of statistical physics, 2017, 167: 462-475.

    Meshulam L, Gauthier J L, Brody C D, et al. Coarse–graining and hints of scaling in a population of 1000+ neurons. arXiv 2018[J]. arXiv preprint arXiv:1812.11904.

    AI for PDE和算子学习概述

    Koopman理论入门

    Koopman神经算子

    Xiong, W., Huang, X., Zhang, Z., Deng, R., Sun, P., & Tian, Y. (2024). Koopman neural operator as a mesh-free solver of non-linear partial differential equations. Journal of Computational Physics, 113194.

    Xiong, W., Ma, M., Huang, X., Zhang, Z., Sun, P., & Tian, Y. (2023). Koopmanlab: machine learning for solving complex physics equations. APL Machine Learning1(3).

    Kovachki, N., Li, Z., Liu, B., Azizzadenesheli, K., Bhattacharya, K., Stuart, A., & Anandkumar, A. (2023). Neural operator: Learning maps between function spaces with applications to pdes. Journal of Machine Learning Research24(89), 1-97.

    Li, Z., Kovachki, N., Azizzadenesheli, K., Liu, B., Bhattacharya, K., Stuart, A., & Anandkumar, A. (2020). Fourier neural operator for parametric partial differential equations. arXiv preprint arXiv:2010.08895.

    Lu, L., Jin, P., Pang, G., Zhang, Z., & Karniadakis, G. E. (2021). Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators. Nature machine intelligence, 3(3), 218-229.

    Brunton, S. L., Budišić, M., Kaiser, E., & Kutz, J. N. (2021). Modern Koopman theory for dynamical systems. arXiv preprint arXiv:2102.12086.

斑图链接:https://pattern.swarma.org/study_group/45?from=wechat

大模型、多模态、多智能体层出不穷,各种各样的神经网络变体在AI大舞台各显身手。复杂系统领域对于涌现、层级、鲁棒性、非线性、演化等问题的探索也在持续推进。而优秀的AI系统、创新性的神经网络,往往在一定程度上具备优秀复杂系统的特征。因此,发展中的复杂系统理论方法如何指导未来AI的设计,正在成为备受关注的问题。

集智俱乐部联合加利福尼亚大学圣迭戈分校助理教授尤亦庄、北京师范大学副教授刘宇、北京师范大学系统科学学院在读博士张章、牟牧云和在读硕士杨明哲、清华大学在读博士田洋共同发起「AI By Complexity」读书会,探究如何度量复杂系统的“好坏”?如何理解复杂系统的机制?这些理解是否可以启发我们设计更好的AI模型?在本质上帮助我们设计更好的AI系统。读书会于6月10日开始,每周一晚上20:00-22:00举办。欢迎从事相关领域研究、对AI+Complexity感兴趣的朋友们报名读书会交流!

Fish AI Reader

Fish AI Reader

AI辅助创作,多种专业模板,深度分析,高质量内容生成。从观点提取到深度思考,FishAI为您提供全方位的创作支持。新版本引入自定义参数,让您的创作更加个性化和精准。

FishAI

FishAI

鱼阅,AI 时代的下一个智能信息助手,助你摆脱信息焦虑

联系邮箱 441953276@qq.com

相关标签

复杂系统理论 AI设计 读书会 涌现 层级
相关文章