传统科学建模通常以针对具体问题预设的有效方程为起点，再围绕该方程开展分析与计算。此报告将介绍我们提出一种新的介观动力学建模范式：不再直接假设某一固定有效方程，而是在具有明确数学结构约束的模型类中学习介观动力学。具体地，我们提出了一个统一构建耗介观动力学的学习框架。在学习过程开始之前，即对模型类中的时空演化方程给出统一的先验理论保证，包括全局适定性、渐近稳定性、唯一分解可辨识性以及离散能量耗散性。在此基础上，针对不同问题实例的数据仅用于识别该模型类中的具体成员，从而获得准确、稳健且具有可解释性的动力学模型。我们通过两类数据验证该框架的有效性：一类来自连续介质 PDE 模型，用于检验方法的可靠性；另一类来自尚无精确介观模型的微观链模型，用于展示其在未知有效方程情形下的建模能力。实验结果表明，所提出的方法不仅能够作为高效的动力学学习器，还能够提供关于底层物理机制的重要可解释诊断信息。

报告人简介：祝爱卿，新加坡国立大学博士后。2018年本科毕业于中国科学技术大学数学系，2023年于中国科学院数学与系统科学研究院获博士学位。研究方向为动力系统的辛几何算法与深度学习方法，研究成果发表在SIAM系列，Nature系列，J.Comput. Phys等期刊以及ICML, ICLR等机器学习顶会上