本特刊“Nonequilibrium Phenomena and AI Techniques”旨在推动非平衡统计力学与人工智能之间严谨且以理论为导向的深度对话，尤其注重那些超越启发式应用范畴的学术贡献。我们欢迎借助人工智能对复杂非平衡现象进行严谨分析与建模的研究，投稿须阐明人工智能如何服务于科学洞见的获取，而非仅将其作为纯粹的计算工具。
与此相应，本特刊亦鼓励借助统计物理、非线性动力学及复杂网络等领域的概念，对人工智能模型进行分析、诠释或改进的稿件。现代机器学习面临的核心挑战之一，在于理解大规模网络与基于能量的模型所呈现的涌现行为——这些模型常被视为“黑箱”。非平衡统计力学为研究学习动力学、能量景观及泛化特性提供了严谨的理论框架，有助于提升人工智能模型的透明性与理论根基。
本特刊诚征探索上述双向交叉领域的高质量稿件，具体方向包括但不限于：
人工智能驱动的非平衡过程建模；
运用物理工具对学习动力学进行理论分析；
面向复杂系统的物理启发式算法；
以及基于能量或生成式的方法 (如扩散模型)—其中统计力学与非平衡物理的概念可作为解释性原则或设计原理。
本特刊强调方法论的严谨性与概念上的明晰性：将人工智能应用于物理系统的研究，须建立在对模型理论内涵的深刻理解之上；而基于物理启发的人工智能研究，则应清晰阐明物理原理如何为模型架构、动力学过程或可解释性提供指导。
通过同时强调“人工智能赋能非平衡物理”与“非平衡物理启迪人工智能”这两大方向，特刊旨在搭建一个推动这两个充满活力且互为补充的领域交叉理解的学术平台，彰显物理学的角色——它不仅是洞察力的源泉，更是现代人工智能技术发展过程中的指导性框架。
投稿截止日期：2026年11月15日
客座编辑
Davide Carbone 博士
于2018年和2020年分别获得意大利都灵大学物理学学士学位和复杂系统物理学硕士学位，并于2024年获得意大利都灵理工大学纯粹与应用数学博士学位。其本科毕业论文聚焦于Palatini-f(R)引力模型，硕士论文则围绕广义时间反演对称性与昂萨格关系展开。攻读博士期间，他曾以访问学者身份先后赴巴黎高等师范学院及纽约大学库朗数学科学研究所进行学术交流。
他目前担任巴黎文理研究大学PRAIRIE-PSAI人工智能项目研究员，同时任巴黎高等师范学院博士后研究员。其研究方向聚焦于从统计力学视角探讨机器学习的理论与应用，尤以基于MCMC的采样方法、基于能量的模型及非平衡相互作用粒子系统为重点。此外，他还从事小波散射变换、时间序列分析及面向物理与人工数据的随机采样技术等应用研究。
赵鸿 教授
厦门大学物理科学与技术学院教授、国家杰出青年科学基金获得者。主要研究领域为统计物理、输运理论、非线性动力学以及机器学习等，在低维晶格热输运，布朗运动，非对称霍普菲尔德模型，机器学习预测等理论研究方面取得了一定的成绩。近年来，他领导的研究组在解决著名的FPUT问题方面取得了重要进展，对经典晶格热化规律给出了一般性的结论。目前担任Entropy 期刊的编委。
Lamberto Rondoni 教授
意大利都灵理工大学的数学物理学教授，同时在都灵大学和意大利核物理研究所 (INFN) 担任兼职教授。他的研究领域是统计物理学，尤其关注纳米尺度的涨落和一般非平衡系统。统计力学旨在基于宏观系统微观组成部分的行为来描述其物理性质。统计物理学发展最为成熟的部分是平衡态，但大多数用于平衡态系统的假设在非平衡态现象中适用性有限，需要专门的工具。包括Lamberto Rondoni在内的多位科学家近期开展的研究工作揭示了一些令人振奋的全新且严谨的结果，这些结果统称为涨落关系。这些涨落关系是迄今为止在非平衡系统中取得的为数不多的通用且精确的描述之一，涵盖了广泛的现象和可观测物理量。此外，这些进展已在广泛的系统对扰动的响应方面取得了诸多成果。目前，该领域的研究在生物科学、纳米科学与技术以及软科学 (社会经济学、媒体与传播学等) 领域尤为重要，因为在这些领域中，无法建立严格意义上的平衡状态，且其稳态往往伴随着剧烈的波动。目前担任Entropy 期刊非平衡现象的栏目主编。
了解更多特刊信息：https://www.mdpi.com/journal/entropy/special_issues/1LC1N60012
Entropy 期刊介绍
主编：Kevin H. Knuth, University at Albany, USA
期刊主要发表熵和信息论的相关文章，涉及学科领域有：热力学、统计力学、信息论、生物物理学、天体物理学及宇宙学、量子信息和复杂体系等，当前位于JCR物理多学科二区。
2024 Impact Factor：2.0
2024 CiteScore：5.2
Time to First Decision：21.5 Days
Acceptance to Publication：2.6 Days
期刊主页：https://www.mdpi.com/journal/entropy
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1528524.html?mobile=1
收藏
