人工智能及其可靠性的物理基础:从统计物理到量子热力学

报告简介:

当前关于“AI for Science”的讨论多集中在用人工智能解决科学问题,但从物理学尤其是统计物理出发反思 AI 的可靠性与安全性同样至关重要。面对大模型不可解释性带来的风险,必须回到熵原理、热力学与量子力学等更基础的物理理论,重建人工智能的可解释性框架。本报告从统计物理中的基态遍历、典型性、大数法则等基本假设出发,分析其与深度学习损失函数、优化过程的内在联系,指出现有理论闭环与实验验证上的不足。基于此,将介绍在经典与量子可靠性、量子热力学推导统计分布等方面的最新研究成果,并探讨这些基础物理原理如何用于构建更可靠、更可解释的人工智能系统。

报告人简介:

孙昌璞
理论物理学家,中国工程物理研究院研究生院创院院长。长期致力于量子物理、数学物理与量子信息基础理论研究,在复杂体系统计热力学、能源物理和可靠性理论方面取得重要成果,主持国家重大基础研究项目。曾获国家自然科学二等奖、ISI“经典引文奖”等重要荣誉,是我国物理学科战略规划的重要组织者。他亦深耕教育,多年讲授高等量子力学课程,著有多部教材,并担任中学物理教材总顾问,对人才培养影响深远。