新書推薦：
《
证明的故事：从勾股定理到现代数学
》
售價：HK$
131.8
《
雀鸟与群狼的对决：扭转战局的兵棋游戏
》
售價：HK$
96.8
《
老年膳食与营养配餐 第2版
》
售價：HK$
49.5
《
中国丝绸艺术大系·广东省博物馆卷
》
售價：HK$
1078.0
《
海外中国研究·中国乐书：从战国到北宋
》
售價：HK$
162.8
《
明代赋役与白银——梁方仲著作集
》
售價：HK$
79.2
《
量子纠缠
》
售價：HK$
63.8
《
舆论（普利策奖得主、“现代新闻学之父”沃尔特·李普曼传播学经典）
》
售價：HK$
74.8
|
| 編輯推薦： |
1、本书是讲述基于人工智能解决科学计算相关问题的图书，系统地探讨科学计算的背景、机器学习的重要性以及?N思MindSpore框架在科学计算中的广泛应用。
2、本书详细介绍MindSpore框架在科学计算领域的应用实践，符合现在科学计算发展的趋势，将受到广大研究人员和学者的欢迎。
3、作者陈雷教授在学术领域具有较高声望，华为MindSpore团队支撑，保证图书的专业性和准确性。
|
| 內容簡介： |
本书全面、系统地探讨科学计算的背景、机器学习的重要性以及?N思MindSpore框架在科学计算中的广泛应用。科学计算作为一门交叉学科，融合了数学、计算机科学与技术等领域的专业知识，在现代科学研究和工程实践中起着关键作用。本书以MindSpore为平台，深入研究这一全场景AI框架在科学计算中的探索与实践，通过对基础理论、行业应用和实际案例的详细介绍，为读者提供全方位的学习和参考资料。
全书共8章，首先详细介绍科学计算的基础理论，包括数学模型、算法原理等，为读者打下坚实的理论基础。然后，通过MindSpore在电磁学、生物计算、流体力学、气象学、材料化学及量子计算等领域的实际案例，帮助读者深刻理解MindSpore在现实场景中的应用，为未来的科学计算实践提供实际的指导和参考。
本书不仅适合AI、智能科学与技术、计算机科学与技术、电子信息工程、自动化等相关专业的本科生和研究生阅读，也可为软件开发工程师和科研人员提供深入了解MindSpore框架及其实践的丰富资料。
|
| 關於作者： |
|
陈雷，加拿大滑铁卢大学计算机博士。现担任香港科技大学(广州)信息枢纽院长，数据科学与分析学域讲座教授，广州市大数据智能重点实验室主任。研究方向包括数据驱动的人工智能、大数据分析、知识图谱、众包、区块链、图数据库、概率和不确定数据库，以及时空和时间序列数据库。曾获2020年度中国电子学会科学技术奖一等奖、2015年ACM SIGMOD时间检测奖、2022 WLDB研究论文奖、2014LDB示范奖。曾担任ICDE2023和VLDB2019 PC联合主席、VLDB Journal联合主编、VLDB基金会执行委员。目前担任IEEE TKDE主编、DASFAA国际会议指导委员会主席、长江讲座教授，当选IEEE会士和ACM杰出科学家，获得国家杰出青年科学基金青年学者合作研究项目支持。
|
| 目錄：
|
第 1 章 导论 001
1.1 科学计算的背景 002
1.2 科学计算在中国的发展 003
第 2 章 科学计算的应用与方案 005
2.1 概述 006
2.1.1 电磁学概述 006
2.1.2 生物计算概述 006
2.1.3 流体力学概述 008
2.1.4 气象学概述 008
2.1.5 材料化学概述 009
2.1.6 量子计算概述 009
2.2 电磁学 010
2.2.1 电磁学发展 010
2.2.2 电磁学领域的AI 应用 011
2.3 生物计算 019
2.3.1 蛋白质结构预测 020
2.3.2 蛋白质功能与性质预测 024
2.3.3 蛋白质设计 027
2.4 流体力学 030
2.4.1 计算流体力学方法 031
2.4.2 机器学习在流体力学中的应用 032
2.4.3 流体建模 032
2.4.4 主动流体控制与优化 037
2.4.5 机器学习在流体力学中的挑战 039
2.5 气象学 039
2.5.1 大气物理学 039
2.5.2 大气化学 047
2.6 材料化学 051
2.6.1 化学信息表示与存储 051
2.6.2 逆合成预测 056
2.6.3 智能化化学实验室 058
2.6.4 计算化学研究 059
2.7 量子计算 060
2.7.1 量子计算基本概念 061
2.7.2 量子机器学习可行性分析 063
2.7.3 量子机器学习 064
2.7.4 量子神经网络 067
第3 章 电磁学应用实践 071
3.1 概述 072
3.2 物理驱动的AI 电磁仿真 073
3.2.1 点源时域麦克斯韦方程AI 求解 073
3.2.2 增量训练求解麦克斯韦方程族 084
3.3 数据驱动的AI 电磁仿真 092
3.3.1 基于参数化方案的AI 电磁仿真 092
3.3.2 基于点云方案的AI 电磁仿真 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 基于可微分FDTD 的S 参数仿真 109
3.4.3 端到端可微分FDTD 求解二维TM 模式的电磁逆散射问题 116
3.5 总结与展望 125
第4 章 生物计算应用实践 127
4.1 概述 128
4.2 物理驱动—分子动力学模拟 130
4.2.1 基础模拟流程 130
4.2.2 蛋白质松弛 132
4.3 数据驱动—蛋白质结构预测 136
4.3.1 蛋白质结构预测工具—MEGA-Protein 136
4.3.2 动态蛋白质结构解析 140
4.4 总结与展望 145
第5 章 流体力学应用实践 147
5.1 概述 148
5.2 物理驱动的AI 流体仿真 149
5.2.1 N-S 方程正问题求解 149
5.2.2 N-S 方程反问题求解 154
5.3 数据驱动的AI 流体仿真 161
5.3.1 流体仿真大模型—东方·御风 161
5.3.2 基于傅里叶神经算子的流场仿真 173
5.3.3 基于Koopman 神经算子的流场仿真 177
5.4 数据- 机理融合驱动的AI 流体仿真 182
5.4.1 基于PDE-Net 的AI 流体仿真 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 求解器的实现 196
5.5.3 激波管问题求解 197
5.5.4 库埃特问题求解 201
5.5.5 二维黎曼问题求解 206
5.6 总结与展望 210
第6 章 气象学应用实践 211
6.1 概述 212
6.2 基于Koopman 神经算子的AI 天气预报模型 213
6.2.1 ViT-KNO 模型理论基础
213
6.2.2 导入依赖 214
6.2.3 配置文件 215
6.2.4 创建数据集 216
6.2.5 构建神经网络 217
6.2.6 构建损失函数 217
6.2.7 模型训练 218
6.2.8 模型测试 219
6.3 基于深度生成模型的短临降水AI 预测 220
6.3.1 创建数据集 221
6.3.2 构建模型 222
6.3.3 构建优化器和损失函数 223
6.3.4 模型训练 225
6.3.5 模型推理及可视化 226
6.3.6 性能对比 227
6.4 总结与展望 227
第7 章 材料化学应用实践 229
7.1 概述 230
7.2 MindSpore 实现基于主动学习的高熵合金组分设计 231
7.2.1 组分生成 231
7.2.2 组分筛选 235
7.3 数据驱动的AI 第 一性原理仿真 238
7.3.1 基于等变神经网络的晶体哈密顿量预测 238
7.3.2 创建数据集 239
7.3.3 构建神经网络 239
7.3.4 模型训练 239
7.3.5 模型推理 241
7.4 总结与展望 242
第8 章 量子计算应用实践 243
8.1 概述 244
8.2 MindQuantum 基本使用指导 245
8.2.1 量子逻辑门 245
8.2.2 量子线路 246
8.2.3 量子模拟器 247
8.3 利用量子神经网络实现鸢尾花分类 249
8.3.1 问题描述 249
8.3.2 数据预处理 249
8.3.3 搭建编码层线路 253
8.3.4 搭建可训练线路 255
8.3.5 构建哈密顿量 257
8.3.6 量子神经网络的训练与预测 257
8.4 利用量子近似优化算法实现组合优化问题求解 261
8.4.1 问题描述 262
8.4.2 Max-Cut 问题的量子化 262
8.4.3 QAOA 流程 263
8.4.4 搭建QAOA 量子神经网络 264
8.4.5 训练并展示结果 267
8.5 总结与展望 269
参考文献 270
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
