生成式模型与科学智能应用

课程编码：180234081200P3004H 英文名称：Generative Models and Applications in AI for Science 课时：40 学分：2.00 课程属性：专业课 主讲教师：刘云帆

本课程面向人工智能、计算机科学与技术、电子信息及相关交叉学科方向的硕博研究生，系统讲授生成式模型（ Generative Models）的核心理论、关键方法、评价指标，及其在科学智能（AI for Science, AI4S ）中的应用。
具体来说，本课程从概率建模与推断的统一视角出发，依次介绍自回归模型、变分自编码器（VAE）、标准化流模型（Normalizing Flows）、生成对抗网络（GAN）等主流生成范式的基本原理与典型方法； 以扩散模型（Diffusion Models）为重点，系统讲授其数学框架、关键技术与模型扩展；并介绍流匹配（Flow Matching）方法及其与扩散模型的内在联系。在此基础上，本课程结合计算生物学、药物设计、计算物理、大气科学等科学智能前沿领域， 介绍生成模型在科学问题中的建模思路与应用实践。课程还设置前沿专题讲座， 围绕科学智能研究中的生成式模型应用展开深入探讨。
通过本课程的学习，要求学生能够：掌握各类生成式模型的基本原理与数学框架；理解不同生成范式之间的内在联系与差异； 了解生成式模型在科学智能领域的典型应用场景与建模方法； 具备阅读生成模型前沿文献并围绕特定科学问题撰写系统性研究报告的能力； 能够运用所学方法分析实际科学问题， 并利用主流深度学习框架实现典型生成式模型加以解决。

线性代数、概率论与数理统计、模式识别与机器学习、深度学习基础

第一章 生成式模型概论 3.0学时 刘云帆
第1节 基本概念与应用场景
第2节 概率建模基础
第3节 生成式模型的分类体系
第4节 高维数据建模的核心挑战
第5节 生成式模型的评价指标
第6节 课程路线图与各章节安排
第二章 自回归模型 3.0学时 刘云帆
第1节 概率分布的自回归分解
第2节 条件分布建模与参数估计
第3节 卷积自回归模型
第4节 注意力自回归模型
第5节 AI4S应用案例：蛋白质序列生成
第三章 变分自编码器 6.0学时 刘云帆
第1节 概率分布的隐变量建模
第2节 变分推断
第3节 模型训练与重参数化技巧
第4节 后验坍缩问题与改进方法
第5节 AI4S应用案例：分子生成与药物设计
第四章 标准化流模型 3.0学时 刘云帆
第1节 基于可逆变换的精确概率建模
第2节 可逆网络架构设计
第3节 连续标准化流
第4节 AI4S应用案例：玻尔兹曼生成器
第五章 生成对抗网络 4.0学时 刘云帆
第1节 基于对抗博弈的隐式概率建模
第2节 最优判别器的理论分析
第3节 训练稳定性问题与改进方法
第4节 图像生成任务中的典型应用
第5节 AI4S应用案例：物理模拟加速
第六章 扩散模型 12.0学时 刘云帆
第1节 基于逐步去噪的概率建模
第2节 得分函数与去噪得分匹配
第3节 连续时间扩散框架
第4节 采样加速方法
第5节 条件引导生成
第6节 隐空间扩散与架构设计
第7节 离散扩散模型
第8节 AI4S应用案例：天气预报
第七章 流匹配 4.0学时 刘云帆
第1节 基于向量场回归的概率建模
第2节 条件流匹配
第3节 最优传输与直线路径
第4节 与扩散模型的统一视角
第5节 AI4S应用案例：蛋白质结构生成
第八章 前沿讲座：科学智能研究中的生成式模型应用 4.0学时 刘云帆
第1节 科学智能研究中的生成式模型应用

刘云帆，中国科学院大学前沿交叉科学学院副教授。2015年获清华大学工学学士学位，2017年获美国密歇根大学理学硕士学位，2023年获中国科学院大学工学博士学位。主要研究方向为深度生成式模型、多模态表征学习及科学智能（AI for Science），与申请开设课程“生成式模型与科学智能应用”的核心内容高度契合。截至目前，刘云帆在IEEETPAMI、NeurIPS、CVPR、ICML、AAAI 等人工智能领域顶级期刊/会议上发表学术论文30 余篇，其中以第一/通讯作者发表15篇，谷歌学术总引用5500 余次。主持国家自然科学基金青年项目等科研项目3项，入选北京市科协2025年度“高创计划”青年人才托举工程，并担任PRCV领域主席及多个CCF-A类期刊/会议审稿人。