6月26日中午，由校科研处与信息技术学院联合主办的博士论坛在信息技术学院213报告厅成功举办。同济大学博士、长期深耕智能算法与工程计算交叉领域的卢凯良副教授，为师生带来了一场题为《利用软约束物理信息神经网络在小数据下求解谐振常微分方程》的前沿学术报告，吸引了众多相关专业师生到场聆听。
卢凯良博士是同济大学机械设计及理论专业博士，长期致力于工程力学、有限元分析（CAE）及智能化技术研究。近年来，他敏锐把握学科前沿，将研究重心转向可理解人工智能理论与模式识别工程应用，在《Math. Notes》、《计算机工程与科学》、《Pattern Recognition and Image Analysis》等国内外知名期刊发表多篇论文，并已获得三项智能化技术相关发明专利授权。其跨学科的研究背景为本次讲座注入了深厚的理论根基与独特的工程视角。
讲座中，卢凯良博士深入浅出地介绍了物理信息神经网络（PINN）这一前沿方法。他指出，相较于依赖密集网格的传统数值方法和需要海量数据的普通神经网络，PINN创新性地将物理定律融入深度学习框架。他重点阐释了“软约束”机制的精髓，即通过将已知物理规律和先验知识嵌入网络架构或训练过程，显著减少数据冗余，使模型在数据稀缺条件下也能实现高精度求解。卢博士强调，软约束PINN不仅提升了谐振常微分方程（ODE）求解的计算效率和泛化能力，更增强了模型的可解释性与鲁棒性。
卢博士通过典型线性和非线性谐振ODE的求解实例，系统展示了软约束PINN的数学框架、计算流程及其优越性能。实验验证了该方法在保证高精度的同时，在CPU和GPU平台均能高效训练与推理。卢凯良博士认为，这种融合物理机理与数据驱动的智能方法，为复杂工程系统模拟提供了强大工具，是推动数字孪生技术发展的关键催化剂。
本次讲座内容前沿、讲解生动，现场互动积极。卢凯良博士的精彩报告为在场师生深入理解软约束物理信息神经网络这一新兴交叉领域及其应用前景提供了宝贵启发。讲座在热烈的掌声中圆满结束。
