|
分享内容简介
繁杂系统广泛存在于自然界和人类社会中，对繁杂系统进行建模和调控是一个重要且拥有实质价值的问题。繁杂系统的建模包含对其时间上动力学以及空间上构成元素之间交互关系的建模。经过图神经网络学习繁杂系统中元素间的交互关系，能够模拟繁杂系统的动态演化，为繁杂系统的调控和优化供给支持。这次分享将介绍图网络和强化学习相结合在交通信号灯掌控、疾患传播、鸟群模型等若干繁杂系统优化掌控中的应用。
分享内容大纲
繁杂系统背景介绍
繁杂系统建模与调控关联工作
真实繁杂系统建模与调控的挑战 图网络结合强化学习应用于繁杂系统建模调控
主讲人介绍
 牟牧云，北京师范大学系统科学学院博士生，科研方向：繁杂系统、强化学习、图网络。
直播信息
时间：2023年8月2日（本周三）夜晚19:00-21:00参与方式：
扫码参与图神经网络与组合优化读书会，加入群聊，获取系列读书会回看权限，作为图神经网络社区的种子用户，与社区的一线研究工作者与企业实践者沟通交流，一起推动图神经网络社区的发展。
重点触及的前置概念
• 繁杂系统 （Complex System）繁杂系统 complex system由许多相互功效的元素构成。繁杂系统的例子无处不在：全世界气候、有机体、人脑、电网、交通、通讯系统等基本设备网络、城市社会和经济组织网络、生态系统、活细胞、乃至全部宇宙，这些都能够看作是繁杂系统。详细参见集智百科：https://wiki.swarma.org/index.php/%E5%A4%8D%E6%9D%82%E7%B3%BB%E7%BB%9F_Complex_Systems • 繁杂网络 (Complex Network)繁杂网络是一种理解现实世界繁杂系统的抽象模型。它将繁杂系统中的实体抽象成节点 ，将实体之间的关系抽象成连线。虽然数学中的图论亦在科研网络， 然则现实中的网络会有更加多的随机特性。因此呢，繁杂网络 通常更加关注网络的统计特征。在网络理论的背景下，繁杂网络是一个拥有非平凡拓扑特征的图(网络)ーー这些特征不会出此刻简单的网络中，如格或随机图，而是经常出此刻表率实质系统的网络中。详细参见集智百科：https://wiki.swarma.org/index.php/%E5%A4%8D%E6%9D%82%E7%BD%91%E7%BB%9C • 图神经网络 (Graph Neural Network)图神经网络是一种基于图结构的深度学习模型，用于处理图数据的建模和分析。它经过节点和边的暗示学习，实现了对图中节点和边的特征提取和信息传递，从而实现对图数据的归类、预测和生成等任务。图神经网络课程举荐：内容触及网络嵌入、图卷积、图重视力网络、变分自编码器、网络补全和图生成等关联内容，能够让大众对图神经网络技术有一个全局的认知。详细参见集智学园：https://campus.swarma.org/course/5091/study • 强化学习 (Model-Based Reinforcement Learning)强化学习大致分为无模型(MFRL)强化学习和有模型(MBRL)强化学习，在无模型强化学习中，智能体经过和环境交互学习行动的最优策略或最优值函数。在有模型的强化学习中，智能体学习一个环境的世界模型，世界模型赋予了智能体想象的能力，智能体经过与世界模型进行交互获取仿真数据。理想状况下，当模型足够准确时，能够从中学习出优秀的策略。相较于无模型强化学习办法，有模型强化学习让智能体能够更充分地利用模型学习产生的经验数据，拥有更高的样本利用率。详细参见集智百科：https://wiki.swarma.org/index.php/%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0
重点触及的参考文献
1.Asikis T, Böttcher L, Antulov-Fantulin N. Neural ordinary differential equation control of dynamics on graphs[J]. Physical Review Research, 2022, 4(1): 013221.这篇文献重点创新点是图神经网络与神经微分方程的有效结合,以及将其成功应用到图动力学的建模掌控上。为基于图结构的数据的动态建模和掌控供给了新的思路和办法。Github：https://github.com/asikist/nnc2.Baggio G, Bassett D S, Pasqualetti F. Data-driven control of complex networks[J]. Nature communications, 2021, 12(1): 1429.这篇文献主要科研了在繁杂网络的精确动力学模型不可知的状况下,怎样利用数据驱动的办法来对繁杂网络进行掌控。3.Wei H, Xu N, Zhang H, et al. Colight: Learning network-level cooperation for traffic signal control[C]//Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019: 1913-1922.这篇文献基于强化学习与重视力机制的大规模交通信号协同掌控的文案,得到了理论与实验上的创新成果,为交通流优化供给了新思路。Github：https://github.com/wingsweihua/colight讲者在因果涌现读书会第二季分享了带隐状态的强化学习世界模型，感兴趣的伴侣能够点击链接观看。https://pattern.swarma.org/study_group_issue/361
集智学园最新AI课程，
张江教授亲授：
第三代人工智能技术基本
——从可微分编程到因果推理
自1956年“人工智能”诞生于达特茅斯会议败兴，已然经历了从初期的以符号推理为主体的第1代人工智能，和以深度神经网络、设备学习为主体的第二代人工智能。ChatGPT的横空出世、生成式AI的普及、AI for Science等新行业的突破，标志着第三代人工智能的呼之欲出。可微分编程、神经微分方程、自监督学习、生成式模型、Transformer、基于图网络的学习与推理、因果表征与因果推断，基于世界模型的强化学习……，所有这些脱胎于前两代人工智能的技术要素特别有可能将形成第三代人工智能的理论与技术的基本。 本课程试图系统梳理从设备学习到大语言模型，从图神经网络到因果推理等一系列可能作为第三代人工智能基本的技术要素，为科研者或学生在生成式AI、大模型、AI for Science等关联行业的学习和科研工作奠定基本。 https://campus.swarma.org/course/5084?from=wechat
AI+Science 读书会 AI+Science 是近年兴起的将人工智能和科学相结合的一种趋势。一方面是 AI for Science，设备学习和其他 AI 技术能够用来处理科学科研中的问题，从预测天气和蛋白质结构，到模拟星系碰撞、设计优化核聚变反应堆，乃至像专家同样进行科学发掘，被叫作为科学发掘的“第五范式”。另一方面是 Science for AI，科学尤其是理学学中的规律和思想启发设备学习理论，为人工智能的发展供给全新的视角和办法。集智俱乐部联合斯坦福大学计算机科学系博士后科研员吴泰霖（Jure Leskovec 教授指点）、哈佛量子计划科研员扈鸿业、麻省理工学院理学系博士生刘子鸣（Max Tegmark 教授指点），一起发起以“AI+Science”为主题的读书会，探讨该行业的重要问题，共学共研关联文献。读书会从2023年3月26日起始，每周日早上 9:00-11:00 线上举行，连续时间预计10周。欢迎对探索这个激动人心的前沿行业有兴趣的伴侣报名参与。 详情请见：人工智能和科学发掘相互赋能的新范式：AI+Science 读书会起步
图神经网络与组合优化读书会起步 现实世界中海量问题的处理依赖于算法的设计与求解。传统算法由人类专家设计，而随着人工智能技术持续发展，算法自动学习算法的案例日益增加，如以神经网络为表率的的人工智能算法，这是算法神经化求解的缘由。在算法神经化求解方向上，图神经网络是一个强有力的工具，能够充分利用图结构的特性，实现对高繁杂度算法的有效近似求解。基于图神经网络的繁杂系统优化与掌控将会是大模型热潮之后新的将来方向。为了探讨图神经网络在算法神经化求解的发展与现实应用，集智俱乐部联合国防科技大学系统工程学院副教授范长俊、中国人民大学高瓴人工智能学院助理教授黄文炳，一起发起「图神经网络与组合优化」读书会。读书会将聚焦于图神经网络与算法神经化求解的关联行业，包含神经算法推理、组合优化问题求解、几何图神经网络，以及算法神经化求解在 AI for Science 中的应用等方面，期盼为参与者供给一个学术交流平台，激发参与者的学术兴趣，进一步推动关联行业的科研和应用发展。读书会从2023年6月14日起始，每周三晚 19:00-21:00 举行，连续时间预计8周。欢迎感兴趣的伴侣报名参与！ 详情请见：加速经典算法效率，突破现实技术瓶颈：图神经网络与组合优化读书会起步点击“阅读原文”，报名直播
| 
发表于 2024-8-31 08:10:18
