哈工大全媒体（阚思邈 向碧霞 冯笑晨 文/图）近日，深圳校区计算机科学与技术学院（以下简称“计算机学院”）张永兵教授与清华大学自动化系季向阳教授合作，在ai 扩散动力学领域取得重要研究进展，相关研究成果以《面向分布外异常扩散动力学的可靠深度学习》（reliable deep learning in anomalous diffusion against out-of-distribution dynamics）为题，在国际学术期刊《自然·计算科学》（nature computational science）上发表。
随着深度学习方法被应用于异常扩散的识别与表征，出现了一个基本挑战：如果观测轨迹缺乏训练扩散模型的特征，深度学习方法将导致不正确的观测现象识别。这种潜在的错误识别风险使深度学习方法难以被部署于真正的扩散动力学研究，同时也浮现出一个新问题：深度学习的“错误”是否能被研究者用于探索不同扩散动力学间的潜在关联？
研究团队针对现实世界场景中的复杂与未知扩散动力学行为，首次提出可靠识别异常扩散的深度学习框架，借助人工智能驱动的科学研究（ai for science）改变现有扩散评估模式，同时深入讨论了深度学习从经验观察中发现和分析未知扩散模式的机会，为ai助力人类进一步深入理解异常扩散与复杂动力学行为迈出开创性一步。
鉴于本研究的新颖性和重要性，《自然·计算科学》期刊邀请美国科罗拉多州立大学电气和计算机工程系阿德里安·帕切科·波佐（adrian pacheco-pozo）博士和迭戈·克拉普夫（diego krapf）教授对张永兵教授团队成果进行深入解读与评述，认为该成果加强了人们对异常扩散的理解，同时为使用深度学习进行分布外检测促进新理论发展注入了新动力。
哈工大深圳校区为论文第一完成单位。深圳校区计算机学院张永兵教授和清华大学季向阳教授为论文通讯作者，计算机学院博士研究生冯笑晨、沙浩和张永兵教授为论文共同第一作者。该研究获得国家自然科学基金委和深圳市科学与技术项目支持。
论文链接：
相关研究成果发表在国际学术期刊《自然·计算科学》上
异常扩散识别中深度学习分布外检测问题与解决方法
异常扩散识别中深度学习分布外检测的相关评估结果
