（本网消息 图/文 王健吉）2025年4月8日下午，计算机学院第十七期“启明星讲坛”在10305教室举行。本期讲坛特邀学院青年学者周敏博士作专题学术报告，同时，2024级研究生冯宇同学和郭作佳同学分别展示了他们的学术研究内容。学院青年博士教师及2024级全体研究生共同参与了此次学术交流活动。
周敏博士以“物理信息神经网络及其在物理信息机器学习中相关模型的数值分析”为题，为我们介绍了物理信息神经网络（PINNs）及其变体在偏微分方程正问题和反问题数值模拟中的应用与研究进展。PINNs是一种将物理定律嵌入神经网络架构的新型算法，近年来在流体力学、材料科学、生物医学等领域的复杂偏微分方程求解中表现突出。与传统数值方法相比，PINNs通过数据驱动与物理方程约束的结合，能够高效处理高维、非线性及反问题（如参数反演），同时减少对大规模标注数据的依赖。
对于周博士的研究，大家表现出了浓厚的兴趣。在交流环节中，与会者对实现细节给出了高度关注，包括神经网络激活函数的选择（如Swish相较于ReLU在边界处的表现）、如何平衡物理方程约束与数据拟合项的权重比例等。周敏博士一一给出了解答，并分享了团队在训练技巧上的最新发现——通过引入“残差注意力机制”，可显著提升模型对边界条件的敏感性。
冯宇同学为我们带来了“YOLOv8-AFA: A photovoltaic module fault detection method based on multi-scale feature fusion”的介绍。YOLOv8-AFA是一种针对光伏组件故障检测的改进算法，其通过多尺度特征融合和自适应注意力机制解决复杂背景干扰及缺陷尺度多变的问题。目前，该技术已在国内多个光伏电站试运行，单日检测量可达20万块组件，是非常值得关注成就。
之后，郭作佳同学以“基于相关性提示的知识图谱问答”为题，介绍了在大语言模型 (large language model, LLM)中，在垂直领域问答任务上效果较差，主要是传统知识图谱问答系统在面对多跳推理或模糊查询时，常因信息关联性不足而失效。文章提出了的基于知识相关性的知识图谱问答方法，通过动态挖掘实体与关系的语义相关性，引导模型聚焦关键路径，在实验中，可使问答准确率提升12.5%。
