金德鹏

中国科学院大学 党委副书记/教授

分别于1995年、1999年在清华大学电子工程系获工学学士和工学博士学位。2000年4月至2022年5月在清华大学任教，曾任清华大学电子工程系党委书记、信息科学技术学院党的工作领导小组组长。主要从事新型网络架构、移动大数据以及城市计算等研究，曾获国家技术发明二等奖、吴文俊人工智能科学技术奖进步奖一等奖、电子学会自然科学二等奖等奖励，发表学术论文300余篇，获国家专利授权20余项。

周涛

电子科技大学 教授

主要从事统计物理与复杂性方面的研究。在Physics Reports、PNAS、Nature Communications等国际SCI期刊发表300余篇学术论文，引用33000余次，H指数为83。2009年获教育部自然科学一等奖，2011年获第十二届中国青年科技奖，2014年起历年入选Elesvier最具国际影响力中国科学家名单（物理天文类）。2015年当选第十二届中华全国青联常务委员，并担任科学技术界别工作委员会副主任。2015年当选全国十大科技创新人物。2017年获全国创新争先奖。188体育app官网：起任四川省政协常委。

报告题目：网络信息挖掘：机制算法vs.机器学习

在关键节点挖掘、链路预测、推荐系统等典型网络信息挖掘问题上已经涌现出众多应用广泛的机制算法，例如基于H-Index的节点中心性指标、基于资源分配的链路预测算法等。近年来以机器学习为代表的AI技术兴起，直接构建AI模型拟合高维数据分布成为解决上述问题的新思路。尽管精度高，AI模型并未解决本领域的基础性问题，即挖掘网络组织和生长的机制规律，设计精确简洁的算法。本报告将回顾上述领域的研究进展，探讨两者之间的区别与联系。

胡延庆

南方科技大学 研究员

2011年毕业于北京师范大学系统科学学院，获系统理论方向理学博士学位。获得北京市优秀博士论文奖、广东省特支科技创新青年拔尖人才、广东省杰出青年基金等奖励与项目。2011-2013年纽约城市大学Levich Institute 博士后。近几年主要从事交叉科学方面研究，包括大数据、复杂网络、图神经网络等。发表论文 60 余篇，包括Nature Human Behaviour(封面故事)，Nature Physics (封面亮点论文)，PNAS，Nature Communications等。个人主页：www.huyanqing.com。

报告题目：复杂网络结构可预测性的极限

复杂网络作为一种通用数据表示形式，广泛存在于生物学、推荐系统等各个领域，目前学术界始终缺乏对于网络本身可预测性的基本理解。该工作利用信息论、统计物理中熵的相关理论，对网络结构预测极限进行了研究。结果发现来自不同领域很多大小不一的网络，其结构的最短压缩长度和可预测性之间存在一个普遍的线性关系；并推导出网络结构预测算法的性能上界。可用于指导未来推荐系统、蛋白质相互作用探测等场景中的机器学习算法设计。

严钢

同济大学 教授

自主智能无人系统全国重点实验室、同济大学物理科学与工程学院长聘教授，博士生导师。2005和2010年于中国科学技术大学分别获得理学学士和工学博士学位。主要兴趣为复杂系统与人工智能交叉领域的理论及应用研究，迄今发表国际期刊论文43篇，包括第一或通讯作者发表的Nature, Nature Physics, Nature Computational Science, Physical Review Letters, Physical Review X, National Science Review, IEEE Trans.等，与同行合作获得省部级自然科学一等奖2次。2016年入选国家高层次青年人才，2022年获得国家杰出青年科学基金。

报告题目：复杂系统的网络结构与动力学推理

复杂系统往往包含了大量节点之间的相互作用。随着数字化和微观实验技术的蓬勃发展，诸多学科领域都积累了188体育投注：实际复杂系统的观测数据，特别是大量节点的活动序列数据。如何从这些观测数据中发掘复杂系统的底层原理是学界和业界都普遍关心的科学问题。本报告将首先介绍数据驱动的复杂系统推理的发展和挑战，然后讲述利用人工智能辅助的方式在复杂系统的网络结构和动力学推理上取得的最新进展，最后讨论该方向上仍待解决的难点问题。

孙浩

中国人民大学 长聘副教授

国家高层次人才青年专家，麻省理工学院兼职研究员、美国东北大学兼职教授。美国哥伦比亚大学工程力学博士（2014），麻省理工学院博士后。主要从事科学智能、人工智能数理基础与理工交叉研究，包含基于物理信息的深度学习、数据驱动复杂动力系统建模与识别等方向。在《自然-通讯》、ICLR、IJCAI等各类重要刊物上共发表论文50余篇。入选福布斯美国“30位30岁以下精英榜（科学类）”（2018）， “美国十大华人杰出青年”（2019）。

报告题目：从数据中自动发现物理规律  

科学探索，也许是AI领域新兴而最具有星辰大海想象空间的方向之一。大到宇宙天体运动演化，小到混乱无序的分子运动，在过去几世纪中，科学家们前赴后继，探寻简单、优雅、和谐的数学符号方程，来描述世界的普适规律。当AI成长为挖掘海量数据信息的关键利器，它为探索科学问题开启了一扇新的大门。这个报告将介绍符号学习与推理基本概念和方法，讨论如何从数据中自动提取数理方程，进一步探索用于描述未知系统状态的控制方程或定律。

徐丰力

美国芝加哥大学 博士后研究员

2020年毕业于清华大学电子工程系，获工学博士学位。研究兴趣为复杂系统、数据科学与人工智能，旨在通过反译数据科学范式建模群体智慧和行为模式在复杂信息系统中的涌现机制。作为第一作者在PNAS、Nature Human Behaviour、Nature Computational Science等综合性期刊以及NeurIPS、WWW、KDD、UBICOMP、CSCW等人工智能与数据科学领域的顶级会议上发表了多篇学术论文，曾获UBICOMP最佳论文提名奖、MSRA Fellowship、清华大学优秀博士毕业生、2020年CCF优秀博士学位论文提名、ACM SIGSPATIAL中国分会优博奖、Mansueto Postdoc Fellowship等学术荣誉。

报告题目：数据驱动的复杂科研团队结构识别  

现代科学科研合作的规模与复杂性在近数十年间显著增长，这使得科研团队成为了现代科学的重要引擎。尽管团队结构在经济、社会各项活动中的作用已有广泛研究，但人们对科研团队结构与科学创新之间的关系仍知之甚少。本报告将介绍一种数据驱动的能自动识别科研团队结构的AI模型，并通过分析超过1600万篇论文对应的科研团队结构与多个科研表现指标的关系，探讨团队结构在促进创新、产生高质量研究以及培养青年科学家方面的关键作用。