2024年1月15日下午15:00，应公司曹龙超特聘教授邀请，香港科技大学的陆杨龙教授在阳光校区8D201为beat365师生做了一场精彩生动的学术报告。报告题目为“物理信息机器学习及其在先进制造中的应用（Physics-Informed machine learning in advanced manufacturing）”，学院经理余联庆教授以及近100名师生代表出席了本次学术报告。
陆教授分享了用于估计温度场和热传导率的物理信息全卷积网络，物理信息全卷积网络可作为传统数值模拟的替代模型，可以用少量数据重建温度场，也可同时处理正演和反演问题。同时介绍了用于机器故障诊断的主动物理约束字典学习模型，主动物理约束字典学习通过自适应收集额外数据进行主动学习扩展，与PCDL相比，重建和分类误差大幅降低，并介绍了其在制造过程监控、故障诊断以及医学图像处理中的应用。
物理基机器学习是将物理知识嵌入到机器学习模型中，其中基于物理的模型被用作约束，指导机器学习模型的训练(例如物理信息/约束的神经网络、物理信息的高斯过程等)。此外，物理定律可以提供额外的信息(例如在连续时空域中的随机数据点或控制关系)，以更高效地训练机器学习模型。因此，这种混合方法可以显著减少所需的训练数据量，使机器学习模型更具可解释性、泛化能力和可靠性。
此外，陆教授还分享了基于物理的压缩感知，结构优化，生物打印以及遥感数据融合等方面的工作。陆教授的报告精彩纷呈，参会的老师和员工们积极与陆教授进行讨论交流。
本次报告内容丰富，涵盖了多种物理信息机器学习算法，例如:物理信息全卷积网络、物理约束字典学习、基于物理的压缩感知，及其在不同制造领域的应用。掌握机器学习知识和技能，不仅能够为自己开拓更广阔的研究和就业前景，也能为社会进步做出了更大的贡献。
陆杨龙教授简介：
陆教授在乔治亚理工学院机械工程专业获得博士学位，并在密西根大学安娜堡分校担任了一年的博士后研究员。他的研究方向主要涉及增材制造过程监测、多物理场模拟、机器故障诊断和结构优化。陆教授在多物理场模拟、机器学习和过程监测方面拥有丰富的经验，并已在国际知名期刊及会议上发表相关研究成果20余篇及申报了两项美国专利。曾担任ASME和IISE等知名国际学术会议的分会场主席。曾获美国机械工程协会最佳博士毕业论文奖，入围2023美国国家自然基金制造业蓝天竞赛，密西根大学博士后协会会议奖，美国机械工程协会制造与生命周期设计会议海报竞赛奖等。此外，陆教授曾于2016年共同创立了SolCharged太阳能公司。陆教授目前已主持或者参美国自然科学基金委、美国高数位制造与设计创新研究所、香港科技大学-产业转化中心项目等项目。
