发布时间：2024-06-14
Learning-enhanced structure preserving particle methods for nonlinear PDEs
主讲人：王丽
摘要：In the current stage of numerical methods for PDE, the primary challenge lies in addressing the complexities of high dimensionality while maintaining physical fidelity in our solvers. In this presentation, I will introduce deep learning assisted particle methods aimed at mitigating some of these challenges. Two scenarios will be considered, one is for general nonlinear Wasserstein-type gradient flows, and the other is for the Landau equation in plasma physics.
主讲人简介：王丽，2003年进入华中科技大学数学与统计学院计算数学专业学习，2007年赴美国威斯康星大学数学系读博，师从金石教授，于2012年获得博士学位。先后在密西根大学，加州大学洛杉矶分校，纽约州立大学布法罗分校担任助理教授，现为美国明尼苏达大学副教授，博士生导师。研究方向主要为kinetic theory, optimal transport, gradient flows 及其应用. 近年来，专注于研究深度学习和微分方程的关系。研究成果发表在SIAM Numer. Anal, SIAM J. Sci. Comput., Numer. Math., Comp. Math., J. Comput. Phys.等计算数学顶级期刊上，总计40余篇。于2019年获得NSF CAREER Award, 2024年获得Simons Fellows in Mathematics.
邀请人：张诚坚
时间：2024年6月17日（星期一）15:00-17:00
地点：科技楼南楼811室