人工智能的数理基础
关注深度神经网络面临的重大理论挑战，聚焦基于深度神经网络的人工智能的可解释性、泛化性、稳定性和可计算性，同时兼顾国家重大攻关任务。我们期望综合运用现代数学和统计学工具，建立一套具有可解释性、启发性和指导作用的人工智能理论框架；研究非凸优化理论和适应于当代和未来超级计算机硬件系统结构的人工智能加速计算方法；利用（随机）微分方程、（随机）最优控制、统计物理、逼近论等数学工具，研究深层神经网络的能量景观、流形建模理论及算法、高维逼近性质等，设计全新的易于优化、稳定、强泛化性的深度学习模型。
