主持人：朱升峰 教授

报告内容介绍：
传统数值方法具有严格的数学理论、高精度和物理守恒性，是现代科学计算的可靠基础。尽管取得了显著成就，但仍存在一些内在局限，如复杂几何下网格生成困难、全局结构表达能力不足、不同几何或边界条件需逐案重组系统、维度灾难导致计算成本急剧上升，以及在数据融合与不确定性量化方面的不足。近年来，基于神经网络的新型计算范式逐渐兴起，凭借强大的表示能力有望突破这些瓶颈。然而，传统的训练型神经网络方法受限于非线性、非凸优化的困难，导致其精度与效率受限。 为此，我们提出了一类结合传统数值格式严谨性与神经网络灵活性的随机神经网络（RaNN）方法。该框架涵盖 RaNN