Current position >About Us
一、AI for Science交流会来了!科学计算前沿邀您共同探讨
百度飞桨将于7月13日在上海举办AI for Science科学计算线下交流会，聚焦深度学习驱动的科学计算前沿，涵盖产品发布、学术报告及行业实践，助力AI与科学计算深度融合。活动核心亮点飞桨科学计算产品升级发布PaddleScience v1.0，支持物理机理驱动、数据驱动、数理融合三种求解方式，提供基础API和详尽文档，适用于物理、化学、气象等领域问题求解。介绍飞桨AI for Science整体产品建设情况，包括技术架构、生态合作及未来规划。学术报告：前沿方法与研究成果《科学计算：融合多保真数据的复合神经网络》主讲人：孟旭博（华中科技大学副教授）内容：提出一种深度学习算法，通过融合低保真与高保真数据，解决繁琐物理系统计算成本高、数据不足的问题，应用于函数逼近和逆PDE问题。《世界模型：直觉物理推理与决策》主讲人：王韫博（上海交通大学助理教授）内容：介绍“3D逆图形学物理推断”和“基于世界模型的强化学习”方法，应用于流体动力学模拟、机械臂控制及自动驾驶任务。行业实践：工业数字化与智能服务《工业数字化：Smart Industries demands Smart Services》主讲人：Erik Dahlquist（瑞典皇家工程院院士）内容：探讨矿业等行业的自主制造系统挑战，强调通过信息系统（IS）和信息技术（IT）基础设施实现设备连通性，结合故障检测与预测性维护，推动工业数字化。活动详情主题：AI for Science—人工智能加速科学发现与科学计算时间：7月13日 14:00-17:00地点：上海·百度飞桨赋能中心报名要求：计算机/人工智能或科学计算领域研究人员日程安排14:00-14:30 开场致辞与主题介绍14:30-15:30 飞桨科学计算产品报告《飞桨AI for Science领域探索与产品建设现状》（张艳博，飞桨高级技术产品经理）《飞桨PaddleScience V1.0功能介绍及使用指南》（何森森，飞桨工程师）15:30-16:30 AI for Science学术报告孟旭博、王韫博等学者分享多保真数据融合、世界模型等前沿方法。16:30-17:00 行业实践与圆桌讨论Erik Dahlquist等专家探讨工业数字化中的智能服务与自主系统挑战。活动价值技术交流：覆盖从底层框架到上层应用的AI for Science全链条技术。生态合作：联动高校、科研机构及开发者，推动开源建设与成果转化。实践指导：提供PaddleScience工具使用指南及行业解决方案案例。报名方式：通过百度飞桨官方渠道提交报名信息（需满足研究人员背景要求）。
二、气象水文研究利器WRF-Hydro 耦合模式:从流域建模到洪水预报指南
WRF-Hydro耦合模式是NCAR研发的新一代陆面-水文耦合模型，通过模块化架构实现大气模式（WRF）与水文过程（Noah-MP）的物理双向耦合，支持多尺度嵌套、分布式水文参数化及数据同化，广泛应用于极端降水分析、水资源评估、洪水预警等领域。
一、核心功能与技术优势多尺度嵌套能力：支持0.01-10km空间分辨率嵌套，可细致刻画繁琐地形流域水文过程。分布式水文参数化：集成TOPMODEL、SAC-SMA等方案，适应不同流域水文特性。实时数据同化：可同化雷达降水、土壤湿度观测数据，提升预报精度（如土壤湿度同化使暴雨预报TS评分提升15%）。物理双向耦合：通过WRF与Noah-MP的交互，实现大气-陆面-水文过程的闭环模拟。
二、典型应用场景极端降水事件分析：解析郑州“7·20”暴雨等事件的径流响应机制。水资源评估：评估气候变化对流域水资源的影响。洪水预警系统：构建水库调度与城市洪水预警模型（如三峡库区暴雨洪水模拟中，宜昌站洪峰到达时间误差<2小时，日径流NSE系数达0.73）。气候变化情景模拟：基于CMIP6降尺度数据重构百年洪水频率。
三、前处理关键技术（以长江上游为例）地理数据制备数据需求矩阵：DEM：分辨率≤90m（推荐NASA SRTM），使用GDAL重采样（示例命令：gdalwarp -tr 0.008333 0.008333 -r bilinear input_dem.tif output_1km.tif）。土地利用：季节动态数据（MODIS MCD12Q1），通过WPS地理转换。土壤质地：垂向分层数据（HWSD v1.2），采用Python插值。关键操作：土地利用类型重映射（ncl_convert2nc MCD12Q1.hdf -e 365 -v LC_Type1）、地理数据预处理工具链（WPS+GDAL+Python）。参数库构建土壤水力参数：用ROSETTA模型反演Van Genuchten参数。植被阻抗方案：对比Jarvis与Ball-Berry方案，优化蒸散发模拟。城市下渗修正：基于SWMM率定不透水面渗透系数。错误规避CFL条件报错：修改hydro.nml中CHANRTSWCT=120。负土壤湿度：调整Noah-MP的OPT_RUN=4（动态VIC方案）。
四、模式运行全流程（以三峡库区为例）配置流程双向耦合初始化：设置namelist&hydro_nml参数（如hydromodel = 2全耦合模式、rst_typ = 1冷启动、AGGFACTRT = 4空间聚合因子）。并行计算优化：使用Slurm调度系统（示例命令：sbatch --nodes=4 --ntasks-per-node=32 ./run_wrf_hydro.sbatch）。结果验证径流量评估：计算Nash系数（Python示例：from hydroeval import evaluator; nse = evaluator(nse, sim_q, obs_q)）。成果指标：洪峰时间误差、日径流NSE系数、土壤湿度同化效果。
五、应用拓展参数敏感性分析：采用Sobol"全局方法揭示主要控制因子（如饱和导水率Ks、地表粗陋度OV_ROUGH、地下蓄水层衰退系数RETDEPRT_FAC）。创新应用场景城市内涝：集成SWMM管网模型（需修改hydro/Routing/Module）。数据同化系统：用集合卡尔曼滤波（EnKF）同化SMAP土壤湿度。气候变化情景：结合CMIP6降尺度数据模拟百年洪水频率。六、技术阅读推荐书籍：《最新气象水文耦合模WRF-Hydro建模技术与案例实践》。案例库：NCAR官方文档、开源社区（如GitHub WRF-Hydro项目）提供的实操教程。
三、大连理工大学张桂勇教授团队:空化流场时空结构的低维表达和状态识别的数 ...
近年来，计算流体力学（CFD）和实验测量技术的发展为流体动力学数据驱动分析提供了全新的可能性。在研究中，通过分析来自高维时空数据的信息，可以利用机器学习（ML）方法从大量数据中提取特征，并将其转化为对流体动力学现象有用的知识，从而获得新的见解。流场通常具有不同的时间行为。其中，空化流是一种周期性繁琐现象，具有相变、湍流和不稳固等特征。它涉及到空泡的生长、发展、脱离和塌陷等多个阶段。为了更好地理解和掌握空化现象的特点和行为，关键在于构建描述空化流动过程的状态空间。状态空间用于描述流场系统状态的集合以及状态之间的演变关系。为了将高维时空流场数据映射到低维状态空间中的时序轨迹，可以利用降维方法。本文采用了主成分分析（PCA），这是一种线性降维方法，用于构建低维线性状态空间。同时，利用t分布随机邻近嵌入（t-SNE）和统一流形逼近与投影（UMAP）这两种非线性降维方法，构建了低维非线性状态空间。周期的时空轨迹在状态空间中呈现为椭圆分布，但该椭圆并不平滑，而是具有不规则的时空结构。这种不规则的时空结构代表了空化流中涌现事件的发生。不规则程度反映了流场的不稳固性特征。线性降维方法（PCA）能够更明显地显示出不规则的时空结构，并区分不同相位下的时空结构特征。尽管非线性降维方法（t-SNE、UMAP）可以保留更多的非线性信息，但在流场中区分关键特征和次要特征的能力较差，并且t-SNE算法对异常值较为敏感。为了实现上述目的，研究团队构建了描述空化流动过程的状态空间。在构建低维状态空间时，采用了主成分分析（PCA）、t分布随机邻近