MindSpore科學計算
陳雷
- 出版商: 人民郵電
- 出版日期: 2025-04-01
- 定價: $659
- 售價: 8.5 折 $560
- 語言: 簡體中文
- 頁數: 276
- ISBN: 7115654018
- ISBN-13: 9787115654014
-
相關分類:
數位訊號處理 Dsp
下單後立即進貨 (約4週~6週)
商品描述
本書全面、系統地探討科學計算的背景、機器學習的重要性以及昇思MindSpore框架在科學計算中的廣泛應用。科學計算作為一門交叉學科，融合了數學、電腦科學與技術等領域的專業知識，在現代科學研究和工程實踐中起著關鍵作用。本書以MindSpore為平臺，深入研究這一全場景AI框架在科學計算中的探索與實踐，通過對基礎理論、行業應用和實際案例的詳細介紹，為讀者提供全方位的學習和參考資料。
全書共8章，首先詳細介紹科學計算的基礎理論，包括數學模型、算法原理等，為讀者打下堅實的理論基礎。然後，通過MindSpore在電磁學、生物計算、流體力學、氣象學、材料化學及量子計算等領域的實際案例，幫助讀者深刻理解MindSpore在現實場景中的應用，為未來的科學計算實踐提供實際的指導和參考。
本書不僅適合AI、智能科學與技術、電腦科學與技術、電子信息工程、自動化等相關專業的本科生和研究生閱讀，也可為軟件開發工程師和科研人員提供深入瞭解MindSpore框架及其實踐的豐富資料。
作者簡介
陳雷，加拿大滑鐵盧大學電腦博士。現擔任香港科技大學(廣州)信息樞紐院長，數據科學與分析學域講座教授，廣州市大數據智能重點實驗室主任。研究方向包括數據驅動的人工智能、大數據分析、知識圖譜、眾包、區塊鏈、圖數據庫、概率和不確定數據庫，以及時空和時間序列數據庫。曾獲2020年度中國電子學會科學技術獎一等獎、2015年ACM SIGMOD時間檢測獎、2022 WLDB研究論文獎、2014LDB示範獎。曾擔任ICDE2023和VLDB2019 PC聯合主席、VLDB Journal聯合主編、VLDB基金會執行委員。目前擔任IEEE TKDE主編、DASFAA國際會議指導委員會主席、長江講座教授，當選IEEE會士和ACM傑出科學家，獲得國家傑出青年科學基金青年學者合作研究項目支持。
目錄大綱
第 1 章 導論 001
1.1 科學計算的背景 002
1.2 科學計算在中國的發展 003
第 2 章 科學計算的應用與方案 005
2.1 概述 006
2.1.1 電磁學概述 006
2.1.2 生物計算概述 006
2.1.3 流體力學概述 008
2.1.4 氣象學概述 008
2.1.5 材料化學概述 009
2.1.6 量子計算概述 009
2.2 電磁學 010
2.2.1 電磁學發展 010
2.2.2 電磁學領域的AI 應用 011
2.3 生物計算 019
2.3.1 蛋白質結構預測 020
2.3.2 蛋白質功能與性質預測 024
2.3.3 蛋白質設計 027
2.4 流體力學 030
2.4.1 計算流體力學方法 031
2.4.2 機器學習在流體力學中的應用 032
2.4.3 流體建模 032
2.4.4 主動流體控制與優化 037
2.4.5 機器學習在流體力學中的挑戰 039
2.5 氣象學 039
2.5.1 大氣物理學 039
2.5.2 大氣化學 047
2.6 材料化學 051
2.6.1 化學信息表示與存儲 051
2.6.2 逆合成預測 056
2.6.3 智能化化學實驗室 058
2.6.4 計算化學研究 059
2.7 量子計算 060
2.7.1 量子計算基本概念 061
2.7.2 量子機器學習可行性分析 063
2.7.3 量子機器學習 064
2.7.4 量子神經網絡 067
第3 章 電磁學應用實踐 071
3.1 概述 072
3.2 物理驅動的AI 電磁模擬 073
3.2.1 點源時域麥克斯韋方程AI 求解 073
3.2.2 增量訓練求解麥克斯韋方程族 084
3.3 數據驅動的AI 電磁模擬 092
3.3.1 基於參數化方案的AI 電磁模擬 092
3.3.2 基於點雲方案的AI 電磁模擬 099
3.4 端到端可微分的FDTD 108
3.4.1 可微分FDTD 求解器原理 108
3.4.2 基於可微分FDTD 的S 參數模擬 109
3.4.3 端到端可微分FDTD 求解二維TM 模式的電磁逆散射問題 116
3.5 總結與展望 125
第4 章 生物計算應用實踐 127
4.1 概述 128
4.2 物理驅動—分子動力學模擬 130
4.2.1 基礎模擬流程 130
4.2.2 蛋白質鬆弛 132
4.3 數據驅動—蛋白質結構預測 136
4.3.1 蛋白質結構預測工具—MEGA-Protein 136
4.3.2 動態蛋白質結構解析 140
4.4 總結與展望 145
第5 章 流體力學應用實踐 147
5.1 概述 148
5.2 物理驅動的AI 流體模擬 149
5.2.1 N-S 方程正問題求解 149
5.2.2 N-S 方程反問題求解 154
5.3 數據驅動的AI 流體模擬 161
5.3.1 流體模擬大模型—東方·御風 161
5.3.2 基於傅里葉神經算子的流場模擬 173
5.3.3 基於Koopman 神經算子的流場模擬 177
5.4 數據- 機理融合驅動的AI 流體模擬 182
5.4.1 基於PDE-Net 的AI 流體模擬 182
5.4.2 AI 湍流建模 190
5.5 端到端可微分CFD 求解器 194
5.5.1 可微分CFD 求解器原理 195
5.5.2 MindFlow CFD 求解器的實現 196
5.5.3 激波管問題求解 197
5.5.4 庫埃特問題求解 201
5.5.5 二維黎曼問題求解 206
5.6 總結與展望 210
第6 章 氣象學應用實踐 211
6.1 概述 212
6.2 基於Koopman 神經算子的AI 天氣預報模型 213
6.2.1 ViT-KNO 模型理論基礎
213
6.2.2 導入依賴 214
6.2.3 配置文件 215
6.2.4 創建數據集 216
6.2.5 構建神經網絡 217
6.2.6 構建損失函數 217
6.2.7 模型訓練 218
6.2.8 模型測試 219
6.3 基於深度生成模型的短臨降水AI 預測 220
6.3.1 創建數據集 221
6.3.2 構建模型 222
6.3.3 構建優化器和損失函數 223
6.3.4 模型訓練 225
6.3.5 模型推理及可視化 226
6.3.6 性能對比 227
6.4 總結與展望 227
第7 章 材料化學應用實踐 229
7.1 概述 230
7.2 MindSpore 實現基於主動學習的高熵合金組分設計 231
7.2.1 組分生成 231
7.2.2 組分篩選 235
7.3 數據驅動的AI 第 一性原理模擬 238
7.3.1 基於等變神經網絡的晶體哈密頓量預測 238
7.3.2 創建數據集 239
7.3.3 構建神經網絡 239
7.3.4 模型訓練 239
7.3.5 模型推理 241
7.4 總結與展望 242
第8 章 量子計算應用實踐 243
8.1 概述 244
8.2 MindQuantum 基本使用指導 245
8.2.1 量子邏輯門 245
8.2.2 量子線路 246
8.2.3 量子模擬器 247
8.3 利用量子神經網絡實現鳶尾花分類 249
8.3.1 問題描述 249
8.3.2 數據預處理 249
8.3.3 搭建編碼層線路 253
8.3.4 搭建可訓練線路 255
8.3.5 構建哈密頓量 257
8.3.6 量子神經網絡的訓練與預測 257
8.4 利用量子近似優化算法實現組合優化問題求解 261
8.4.1 問題描述 262
8.4.2 Max-Cut 問題的量子化 262
8.4.3 QAOA 流程 263
8.4.4 搭建QAOA 量子神經網絡 264
8.4.5 訓練並展示結果 267
8.5 總結與展望 269
參考文獻 270
