傳統上,逆向問題(或反算問題,inverse problem)因為不適定性(ill-posed)、多解性以及對量測雜訊高度敏感,長期被視為難以穩定求解的問題。近年來,隨著最佳化方法的進展、統計推論方法以及深度學習與 AI 技術的導入,逆向模擬已從理論上的困難問題,逐步發展為可系統化處理的工程分析框架。
本次課程將以 COMSOL 為物理模型核心,結合 COMSOL 內建 AI 與其他 AI
輔助工具,說明在逆向問題中如何整合最佳化、參數估計與不確定性量化,並進一步引入 AI 代理模型(surrogate models),以降低反覆正向模擬的計算成本,提升逆向推論的可行性與穩定性。
此一方法論不僅能回應傳統工程與科學問題的挑戰,也促進了新型應用類別的發展,包含材料特性分析、半導體製程與邊界條件回推、物理場分佈重建(如溫度場、濃度場)、以及生物醫學影像與環境建模等多元領域,歡迎對逆向問題有興趣與實務需求的各界人士參與。
課程議程
13:45–14:00
線上報到
14:00–14:45
逆向問題的本質與核心挑戰
方法論突破:最佳化、統計推論與 AI
COMSOL AI 逆向分析框架說明
14:45–15:20
COMSOL 在逆向分析中的實務案例分享
15:20–15:30
問題與討論
課程效益
建議參加人員
COMSOL 使用者,需進行參數反推、模型校正或逆向分析
材料、半導體、流體、電磁、生醫或環境相關研發人員
對 AI 代理模型、資料融合與逆向推論方法有興趣之研究或工程團隊
技術主管或專案決策者,需評估逆向模擬與 AI 方法之可行性