报告题目：Learning stochastic Hamiltonian systems via stochastic generating function neural network
报告时间：2025年8月23日（星期六）14:00-15:00
报告地点：腾讯会议：441-413-375
报告人：王丽瑾教授 中国科学院大学
主持人：王廷春 教授
报告摘要：We propose the Stochastic Generating Function Neural Network (SGFNN), an auto encoder framework that learns stochastic Hamiltonian systems directly from data while preserving their intrinsic symplectic structure. An encoder infers the latent random variables that couple each observed state pair, while a decoder parameterizes the stochastic generating function of the underlying stochastic Hamiltonian system. Using this learned generating function, SGFNN generates predictions that exactly preserve the stochastic symplectic structure. Extensive experiments demonstrate that SGFNN outperforms the existing baseline across multiple metrics, confirming both its accuracy and long-term stability，thereby showing the benefits of structure-preserving neural architecture.
专家简介：王丽瑾，中国科学院大学教授，博士生导师，研究方向为随机动力系统数值和数据算法，在随机动力系统保结构数值计算和基于数据的保结构神经网络反演等领域进行了系列研究，研究成果发表于JCP等重要国际学术期刊，曾主持多项国家自然科学基金项目，并作为骨干成员参与国家重点研发计划重点专项项目研究。
欢迎广大师生踊跃参加！
数学与统计学院
江苏省应用数学(南京信息工程大学)中心
江苏省系统建模与数据分析国际合作联合实验室
2025年8月21日
