开放注册|MLST期刊在线研讨会：Machine Learning Quantum Matter
日期：2022年9月13日，周二
时间：下午3:00 – 5:00
IOP出版社旗下Machine Learning in Science & Technology（MLST）期刊主办的在线研讨会将聚焦量子机器学习，定于北京时间2022年9月13日周二15:00线上召开。来自中国科学院物理研究所王磊研究员将担任本次研讨会的主席，同时还邀请了来自清华大学的翟荟教授、北京大学物理学院凝聚态物理与材料物理研究所的陈基研究员、北京科学智能研究院（AISI）的欧琪研究员和意大利国际高等研究院的杨满意博士作为演讲人报告最新前沿研究，并与研究人员展开在线讨论。欢迎大家免费注册参会，参与讨论！
研讨会详情
参会方式
欢迎参会交流，分享知识与见解。>>点击此处链接或扫描下方二维码，现在就注册参会吧。
温馨提示：
本次在线研讨会将全程采用英文报告。本次在线研讨会使用Zoom平台，首次观看前需要安装插件，建议您提前下载并安装插件。
本次在线研讨会还将在蔻享平台进行实时转播，研讨会开始时可登录下方网址进行观看：https://www.koushare.com/lives/room/208449
研讨会主席
王磊 研究员
中国科学院物理研究所
- 王磊研究员2006年本科毕业于南京大学，2011年在中国科学院物理研究所获得博士学位，此后在苏黎世联邦理工学院从事计算量子物理的博士后研究，2016年加入中科院物理所工作。主要研究兴趣是机器学习与多体物理。
翟荟 教授
清华大学
- 翟荟教授于2009年起任清华大学高等研究院研究员，2012年获得长聘，2015年任高等研究院教授。
- 冷原子量子气体等量子物质的理论研究。
- 冷原子物理方面的研究涉及冷原子分子系统的各个方面，主要包括：
1. 强相互作用的冷原子量子气体：Feshbach共振附近的少体和多体问题，非平衡问题等。
2. 基于冷原子体系的拓扑物态：自旋-轨道耦合和人工规范势在冷原子体系中的物理效应，拓扑物态的动力学和相互作用效应等。
3. 光晶格中冷原子量子模拟：玻色、费米Hubbard模型，量子相变等。
- 机器学习方法在物理学中的运用。
- 全息对偶原理(Holographic Principle)和量子物质。
报告题目：Noise Matters
陈基 研究员
北京大学
- 陈基，北京大学物理学院凝聚态物理与材料物理研究所研究员、助理教授、博士生导师。2009年本科毕业于中国科学技术大学。2014年博士毕业于北京大学物理学院。2014-2017英国伦敦大学学院博士后。2017-2018德国马克思普朗克固体研究所博士后。2018年加入北京大学物理学院。2019入选国家海外高层次青年人才计划。主要研究方向和兴趣是发展凝聚态体系的第一性原理计算方法和应用先进计算方法解决凝聚态物理、化学和材料学中的基础和交叉科学问题。主要研究方法包括量子蒙特卡洛方法、密度泛函理论、路径积分方法、机器学习方法等。主要关注体系为水/冰、固液界面、氢、低维材料等。
欧琪 研究员
北京科学智能研究院（AISI）
- 本科毕业于中国科学技术大学，博士就读于美国宾夕法尼亚大学。随后在普林斯顿和清华大学分别做过博士后。博士期间研究背景为分子体系非绝热过程的方法论开发，参与了量化软件Q-Chem中TDDFT电子态之间旋轨耦合及非绝热耦合的实现。博士后期间参与开发了potential functional embedding theory，以及有机光电材料的光物理性质计算方法。于2021年10月正式加入AISI，任职量子化学研究员岗位，主要职务为ABACUS软件及机器学习辅助泛函DeePKS的开发及完善。
报告题目：ABACUS+DeePKS: a Machine-Learning based Density Functional Model for Periodic System and Its Connection with Deep Potential
杨满意
意大利国际高等研究院
- 杨满意， 2013年本科毕业于中南大学化学化工学院，博士（直博）师从南京大学化学化工学院黎书华教授。 2019年获得博士学位，随后加入Michele Parrinello 教授团队，先后在苏黎世联邦理工学院（2019年8月 ~ 2020年12月）和意大利国际高等研究院（2021年1月 ~ 至今）从事博士后研究工作。主要研究方向包括开发反应路径自动搜索软件及方法，化学反应的机理研究及理论设计，以及机器（深度）学习在化学反应、材料学等交叉研究领域的应用。
报告题目：Exploring Micro-Mechanisms for Rare Events: Machine Learning and Enhanced Sampling Simulations
期刊介绍
- 2021年影响因子：6.013 Citescore：4.2
Machine Learning: Science and Technology（MLST）是一本跨学科期刊，致力于发表智能机器在物理、材料科学、化学、生物学、医学、地球科学、天文学和工程学等多学科领域的应用和发展。涉及领域包括：物理学和空间科学；设计和发现新材料和分子；材料表征技术；模拟材料、化学过程和生物系统；原子和粗粒度模拟；量子计算；生物学、医学和生物医学成像；地球科学（包括自然灾害预测）和气候学；模拟方法和高性能计算。同时，也包括机器学习方法在概念上的新进展：新的学习算法；深度学习架构；核心方法；概率和贝叶斯方法；生成方法；强化和主动学习；经常性和基于时间结构的方法；神经启发方法（包括神经形态计算）。