复杂耗散系统广泛存在于高分子物理、活性物质以及现代学习算法等诸多领域。这类系统通常远离热力学平衡，其动力学行为由能量耗散与时间不可逆性主导，但这些关键特征往往难以仅从观测数据中被可靠刻画。针对这一问题，本文提出了一种具有普适性和可辨识性的神经网络建模框架，可直接从随机轨迹数据中学习耗散随机动力学。该框架在保证表达能力的同时，明确区分可逆与不可逆运动结构，识别唯一的能量景观，并支持对熵产生率的直接计算，从而为定量描述系统的不可逆性提供了严格依据。通过在高分子拉伸动力学和随机梯度朗之万动力学中的应用，结果揭示了多个非平衡特性的新规律，表明该方法能够作为一种统一的数据驱动工具，用于发现和解释复杂系统中的非平衡动力学机制。

报告人简介：祝爱卿，是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几何算法与深度学习方法，研究成果发表在SIAM系列，J.Comput. Phys等期刊以及ICML, ICLR等机器学习顶会上。