【清华团队合作建立物理传递学习理论解析脑形貌发育的复杂性】在科学发展和工程应用中，理论研究长期遵循“观察-假设-建模”的基本范式。然而，随着科学研究不断深入到多尺度物质、结构和复杂系统领域，传统理论方法面临复杂性的挑战。材料和生命系统中的多尺度耦合、非平衡演化等复杂行为，使得基于经验假设和简化模型的方法难以有效描述真实物理过程。近年来，人工智能技术为复杂系统预测提供了新的工具，但受限于数据稀缺、物理理解不完整、以及实验观测尺度有限等问题，现有数据驱动方法在复杂物理系统中的可靠泛化能力仍然受到限制。

近日，清华大学航天航空学院徐志平教授课题组联合复旦大学智能机器人与先进制造创新学院徐凡教授团队提出物理传递学习理论框架，旨在解决复杂物理系统中数据稀缺条件下可靠预测与泛化的关键难题。该框架将物质科学领域从理想化模型逐步向复杂体系拓展的研究范式系统性融入机器学习理论，通过构建锚定域链，实现物理知识从简单体系向复杂系统的有效传递。在脑形貌发育预测中，该方法突破了传统人工智能依赖大规模数据学习的限制，实现了复杂脑发育过程的连续化、高精度重构，为发展脑数字孪生和理解生命复杂系统提供了新的理论基础。

研究成果以《基于物理迁移学习的脑形态发生预测》（Predicting Brain Morphogenesis via Physics-Transfer Learning）为题，于9月9日发表在《自然·计算科学》（Nature computational science）上。论文链接：网页链接（来源：航院）科研速递 清华大学