分论坛三：科学智能

分论坛日程

时间		报告人	单位	报告题目
09:00 - 09:05		孙浩	中国人民大学	开场
09:05 - 09:35		洪亮	上海交通大学	基于预训练的蛋白质工程通用人工智能
09:35 - 10:05		黄文炳	中国人民大学	从几何的视角探索原子基础模型
10:05 - 10:35		唐建	Mila-Quebec AI Institute	Geometric Deep Learning for Protein Design（线上）
10:35 - 11:00		茶歇
11:00 - 11:30		朱霖潮	浙江大学	机理内嵌的人工智能科学计算
11:30 - 12:00		孟庆鹤	华为技术有限公司	AI流体仿真业界趋势及MindSpore Flow实践

主席简介

孙浩（中国人民大学）

个人简介：孙浩，中国人民大学高瓴人工智能学院“长聘副教授、博导”，国家高层次青年人才，哥伦比亚大学博士、麻省理工学院博士后，曾任美国匹兹堡大学、美国东北大学终身序列助理教授、博导。从事智能科学计算理论方法与前沿交叉研究。在Nature Machine Intelligence（2篇）、Nature Communications（2篇）等国际一流期刊和ICLR、NeurIPS等计算机顶会发表论文70余篇。主持国家海外高层次人才计划青年项目、国家自然科学基金（重大培育、面上）、美国科学基金（重点、面上、专题）等科研项目十余项。先后获得福布斯北美30位30岁以下精英榜（科学类）、美国十大华人杰出青年、中国智能计算科技创新人物等荣誉。

讲者简介

01 基于预训练的蛋白质工程通用人工智能

洪亮（上海交通大学）

个人简介：洪亮，上海交通大学自然科学研究院/物理天文院/药学院 特聘教授，上海交通大学张江高研院人工智能生物医药中心主任。2004年本科毕业于中国科学技术大学物理专业，2006年硕士毕业于香港中文大学物理专业，2010年博士毕业于美国阿克伦大学高分子科学专业。2010年在美国橡树岭国家实验室进行计算生物学的博士后研究，2014年12月份加入上海交通大学。从事计算，人工智能和实验相结合的方式进行分子生物物理和蛋白质设计研究。2016年入选国家高层次人才青年专家，2021年入选教育部长江学者。在nature，science，PNAS等期刊上发表70余篇SCI论文。参与并主导开发了多个创新算法来提升功能蛋白质的研发效率

演讲概要：AlphaFod解决的是蛋白质及其复合物三维结构的预测，即使有正确的三维结构也不意味着蛋白有特定的功能。我们团队在过去3年开发了一套基于预训练的蛋白质工程的通用人工智能 Pro系列。与 AlphaFold 预测结构不同，Pro系列开创性地实现了从序列直达功能的精准蛋白质设计。通过预训练方法，让大模型学习自然界已知蛋白质序列和结构特征，并探索与理解自然界中蛋白质序列与功能的映射规律，从而开发出一套能够高效地设计出稳定性好、活性高、功能性强的各种蛋白产品的通用大模型。利用这种方法在短短1年时间，我们已经成功设计和改造20余款蛋白质并被湿实验验证（包括核酸聚合酶，基因剪辑酶, IVD酶，抗体等），其中两款实现放大生产并产业化应用。本讲座将介绍我们的蛋白质通用人工智能方案及实践案例。

02 从几何的视角探索原子基础模型

黄文炳（中国人民大学）

个人简介：黄文炳，中国人民大学高瓴人工智能学院准聘副教授、博导，国家高层次青年人才，北京科技新星。长期深耕几何深度学习领域，发展和丰富了图神经网络理论与方法，有力推动了其在社交网络分析、AI for Science、具身智能等挑战性问题上的应用突破。在NeurIPS，ICML，ICLR等人工智能领域顶级会议或期刊发表论文60余篇，谷歌学术引用1万多次，单篇最高1500余次。获ICLR 2023 杰出论文提名奖。担任NeurIPS、ICLR等会议领域主席。

演讲概要：分子、蛋白质、晶体等原子系统是微观物理世界的根本物质形态，对原子系统进行准确表示以及高效生成，能为诸多科学任务提供关键支撑。鉴于原子系统具有特殊的几何构象和动力学规律，本报告将从组合性、分层性、对称性等几何学视角，并借鉴人工智能领域的最新研究进展包括Transformer、扩散模型、DPO对齐算法等，探索和设计原子基座模型、生成式算法以及高效动力学预测方法。

03 Geometric Deep Learning for Protein Design

唐建（Mila-Quebec AI Institute）

个人简介：Jian Tang is currently an associate professor at Mila - Quebec AI Institute, a leading AI Institute in Canada founded by A.M. Turing Award laureate Yoshua Bengio. He is also a Canada CIFAR AI Research Chair and the founder and CEO of BioGeometry, an AI startup focusing on generative AI for antibody discovery. His main research interests are deep generative models, graph machine learning and their applications to drug discovery. He is an international leader in graph machine learning, and his representative work LINE on node representation learning has been widely recognized and cited more than 6,000 times. He has also done many pionnering work on AI for drug discovery, including the first open-source machine learning framework for drug discovery, TorchDrug and TorchProtein. He is also the recipient of ICML’14.

演讲概要：Proteins are workhorses of living cells. Understanding the functions of proteins is critical to many applications such as biomedicine and synthetic biology. Thanks to recent biotechnology breakthroughs such as gene sequencing and Cro-EM, a large amount of protein data (such as protein sequences and structures) are generated, providing a huge opportunity for AI. As the functions of proteins are determined by their structures, in this talk, I will introduce our recent work on protein understanding based on protein 3D structures with geometric deep learning. I will introduce three different topics including protein representation learning, generative models for protein structure prediction, and generative models for protein design.

04 机理内嵌的人工智能科学计算

朱霖潮（浙江大学）

个人简介：朱霖潮，浙江大学计算机科学与技术学院百人计划研究员、博士生导师，入选国家级青年人才项目，获首届谷歌学术研究奖（2021）等荣誉。主要研究方向为人工智能通用基础模型、科学智能等。曾获得多智能体行为建模竞赛冠军等8项国际竞赛冠军。曾担任NeurIPS、CVPR、ECCV、ICIP、PRCV等会议领域主席，并多次在国际会议上组织专题研讨会。

演讲概要：数据和机理驱动的人工智能科学计算是一种结合数据驱动和机理驱动的计算方法，旨在利用大规模数据和物理机制的相互协同，解决复杂的科学问题。数据和机理双轮驱动的科学计算能够充分利用神经网络代理模型，提高计算的精度和效率，并有效利用机理约束，增强计算的可靠性和可解释性，实现数据和机理的互补作用。本报告还将介绍数据和机理驱动的科学计算的主要方法，包括物理信息神经网络、神经算子等，并分析这些方法在流体力学、材料科学、生物医学等领域的应用。

05 AI流体仿真业界趋势及MindSpore Flow实践

孟庆鹤（华为技术有限公司）

个人简介：孟庆鹤博士，华为技术有限公司计算产品线AI4Sci Lab高级工程师。2021年7月博士毕业于哈尔滨工业大学，并于加拿大多伦多大学联合培养。工作后于华为技术有限公司计算产品线开展预研工作，专职从事于科学智能AI4Science方向的研究工作，任MindSpore流体套件SE。具体研究方向为AI4CFD/AI4Flow/智能流体力学，方法涉及数据驱动、物理驱动和物理数据融合等多种方式，场景包括航空、电力等多个产业。

演讲概要：将AI与科学计算相结合，利用人工智能技术对科学难题进行计算和分析，可以使科学计算不再局限于传统的数学模型和算法，而是能够借助AI的强大计算能力，探索未知领域，提升计算效率和准确性。 MindSpore Flow是基于昇思MindSpore开发的流体仿真领域套件，支持航空航天、船舶制造以及能源电力等行业领域的AI流场模拟、AI气动设计和AI流动控制等场景。提供了多个开源数据集和业界SOTA仿真模型库，并对接了风雷等数值求解器，提供了有限体积法等可微CFD求解器。