研究主题
利用人工智能方法理解、建模与发现复杂科学规律，推动从数据驱动到机理驱动的科学研究范式转变。
核心问题
- 数据驱动与物理/化学机理的融合
- 小样本科学问题（low-data regime）
- 可解释性与科学发现能力
- 模型泛化与跨体系迁移
研究内容
PDE 与科学计算（方法基础）
关键词：连续系统建模 / 物理规律学习
- Physics-informed neural networks（PINNs）
- Neural operators（FNO、DeepONet）
- 科学仿真加速与替代模型（surrogate models）
AI 制药与分子设计（重要应用）
关键词：离散结构 + 生物化学系统
- 分子生成模型（Diffusion / Graph Models）
- 蛋白质结构与相互作用建模
- 药物筛选与性质预测（ADMET）
- 结构-性质关系建模（Structure-property learning）
数据驱动科学发现（更前沿）
关键词：从“算”到“发现”
- 科学规律发现（symbolic regression / discovery）
- 自动实验设计（AI-driven experimentation）
- 多尺度建模（multi-scale modeling）
应用场景
- 材料设计
- 药物研发（AI drug discovery）
- 能源与化学系统
- 工业过程建模