微软学者 | 线上讲座：当计算科学遇到生物学、物理学，一起探索无限可能！

2022 年 5 月 25 日 微软研究院AI头条

（本文阅读时间：7分钟）

2022年“微软学者”奖学金已开放申请！为更好地发掘在基础科学研究中通过计算机理论与技术创新推动本领域发展的复合学术人才，支持和鼓励有潜力的学生更好地开展交叉领域研究工作，2022年“微软学者”奖学金将继续面向“计算科学”领域接收申请！点击“阅读原文”，了解“微软学者”申请要求与“计算科学”相关领域及参考工作。

为此，我们特别推出了“微软学者”系列线上讲座，将带你了解微软亚洲研究院在计算机与基础科学交叉学科中所做的工作，同时也将介绍该领域“微软学者”申请者的评审标准。

通过讲座第一弹，研究员们带大家了解了计算技术与材料科学、环境科学碰撞出的火花，现在第二弹来啦！5月25日（周三）下午，微软亚洲研究院在计算生物学、计算物理学领域深耕的研究员们将带来分享。

14:00-14:30，微软亚洲研究院首席研究员刘海广、微软亚洲研究院主管研究员王童将分享微软亚洲研究院在新冠病毒感染细胞的分子机制研究中取得的最新成果。

15:00-15:30，微软亚洲研究院主管研究员孟琪、高孝天将分享机器学习在发现物理规律和模式上有着怎样巨大的潜力、使用机器学习方法求解偏微分方程如何克服传统数值方法无法解决的困难。

讲座将在 B 站“微软中国视频中心”同步直播，欢迎大家扫码观看！

想了解更多讲者信息和报告内容？来看看下方的讲座介绍吧！

讲者及报告介绍

报告语言：英文

直播平台：B 站“微软中国视频中心”

报告时间：5月25日 14:00-14:30

报告主题：计算科学给生命科学和生物医学研究带来的革命性发展

报告摘要：在生命科学和生物医学研究领域，计算科学发挥着越来越重要的作用。计算生物学领域的重大挑战问题包括但不限于以下几方面：

(1) 对分子属性的量化分析

(2) 对生物大分子以及分子间相互作用的建模和模拟

(3) 在大范围内预测生物分子之间的相互作用

(4) 基因组学和其他组学数据的分析和解读

(5) 疾病诊断和治疗

(6) 对传染病建模和预测

结合这些问题，我们将简要介绍微软研究院目前正在开展的激动人心的研究项目。基于硬件和软件技术的发展，微软研究院旨在为解决挑战性科学问题提供革命性方案。利用尖端的计算设施和先进的计算方法，尤其是发展和应用人工智能（AI）方法，我们取得了令人鼓舞的进展。我们将与您分享在新冠病毒感染细胞的分子机制研究中取得的最新成果。基于新冠病毒的突刺蛋白的感染机制，我们应用分子动力学模拟揭示奥密克戎变种（Omicron）高感染力的分子基础。此外，全新的药物发现方法在识别药物先导分子方面也崭露头角。作为微软科学研究的关键组成部分，对计算方法的研究及方法在科学问题中的应用将继续蓬勃发展，为生命科学和生物医学研究做出贡献。

报告人：刘海广

微软亚洲研究院首席研究员

刘海广博士是微软亚洲研究院的首席研究员。刘博士专注于开发结构生物学研究中的计算方法，通过再现分子结构和动力学来全面理解分子功能和机制。他一直在开发一套集成的计算方法来整合计算模型和实验数据蕴含的多渠道信息，通过跨学科方法获得对分子动力学和机制的全面理解。海广于2009年博士毕业于加州大学戴维斯分校。在加入微软研究院之前，海广曾在劳伦斯伯克利国家实验室、亚利桑那州立大学和北京计算科学研究中心工作。海广已发表70篇同行评议的期刊文章，包括 Nature、PNAS 和 IUCrJ 等。他还担任中国晶体学会小角散射分会理事。

报告人：王童

微软亚洲研究院主管研究员

王童博士是微软亚洲研究院的主管研究员，清华大学生命科学学院博士，哈佛大学访问博士。他的研究重点是结合机器学习的方法和生命科学领域的知识进行计算生物学研究，包括分子动力学模拟、计算机辅助药物发现和蛋白质结构预测的算法设计和应用。王博士在 Nature Machine Intelligence、Cell Research、Bioinformatics、Advanced Theory and Simulations 等期刊发表了一系列同行评议论文。他拥有多项中国和美国专利。他还是 Nature Communications、Briefings in Bioinformatics、Bioinformatics、RECOMB 等期刊审稿人。

报告时间：5月25日 15:00-15:30

报告主题：基于机器学习的偏微分方程发现和求解

报告摘要：随着科学测量仪器的不断发展，快速增长的科学数据中蕴含了新的物理现象和规律。机器学习作为处理大规模复杂数据最有效的工具，有着从这些科学数据中发现物理规律和模式的巨大潜力，比如控制方程（通常是偏微分方程）。在此基础上，我们将会介绍微软亚洲研究院在这方面的工作，包括 NNPHD（一个使用物理正则化探索新物理的深度学习算法），LorentzNet 和 ClofNet （两个用来做粒子探测和分子生成的群等变神经网络）。此外，使用机器学习方法求解偏微分方程能够克服传统数值方法无法解决的一些困难。在这个报告中，我们将会分享微软亚研院在这方面的两个工作 “learning physics-informed neural network without stacked back-propagation” 和 “learning neural PDE solvers without simulated data”。