6月29日下午，由计算机科学与技术学院主办的机器学习理论与AI for Science（AI4S）前沿学术讲座在中国科学技术大学高新校区图教中心C101会议厅举行。南加州大学Shang-Hua Teng（滕尚华）教授、Xiaohui Chen（陈晓辉）教授应邀来访，分别围绕机器学习可学习性理论与AI4S中的能量引导学习作专题报告。报告由张兰副院长主持。
滕尚华教授为南加州大学计算机科学与数学校级教授，ACM、SIAM会士，曾两次荣获理论计算机科学领域重要奖项哥德尔奖，在理论计算机科学、机器学习理论和算法设计等领域作出重要贡献，具有广泛国际影响。首场报告中，滕尚华教授以“Proper Learnability and the Role of Unlabeled Data and Regularization”为题，从可学习性、正则化、结构风险最小化等基础问题切入，介绍未标注数据在提升学习算法性能与泛化能力中的作用，并结合最大熵原则、贝叶斯学习结构等思想，帮助师生理解现代机器学习模型背后的数学逻辑。
陈晓辉教授为南加州大学数学与计算机科学教授、加州理工学院访问副教授，长期从事统计机器学习、人工智能、数据科学与优化交叉领域研究，曾获美国NSF CAREER Award、ICSA杰出青年研究者奖等国际学术荣誉。第二场报告中，陈晓辉教授以“Energy-Guided Learning for Physical Dynamical Systems with Auxiliary Data”为题，围绕人工智能赋能科学研究中的物理建模问题展开分享。他指出，在物理动力系统和偏微分方程学习等场景中，仅依赖数据驱动方法往往面临样本效率、稳定性和泛化能力方面的挑战；将物理结构、能量泛函与辅助数据合理融入模型训练，有助于提升模型对复杂科学问题的学习能力，为高维动力系统建模提供新的思路。
两场报告一方面从机器学习基础理论出发，讨论学习算法如何利用未标注数据与先验信息提升泛化能力；另一方面面向AI4S应用前沿，探讨如何将物理规律与数据驱动模型有机结合。讲座期间，师生围绕机器学习理论、科学数据利用、物理先验融入模型、AI4S在科学计算和工程应用中的潜力等问题与两位教授进行了交流，现场学术氛围浓厚。
本次讲座为中国科大师生了解机器学习理论前沿和AI4S交叉研究趋势提供了良好平台，有助于拓宽学生科研视野，促进人工智能、数学、物理与工程等相关学科的交叉融合，也为学院进一步加强国际学术交流、推动高水平合作奠定了基础。
