报告人简介
Gwanghyun Jo，现任汉阳大学数学数据科学系副教授，并担任德尔托伊德公司（Deltoid Inc.）外部董事。其主要研究领域包括虚拟元方法（Virtual Element Method）、条件生成（Conditioned Generation）、深度强化学习（Deep Reinforcement Learning）及数学建模（Mathematical Modeling）等数值人工智能方向，已发表SCI检索论文30余篇。Jo于2011年、2013年和2018年在韩国科学技术院（KAIST）分别获得学士、硕士和博士学位。2018年3月起，他在KAIST数学科学系从事博士后研究工作，并于2019年9月晋升为该系助理教授。2022年10月，他转任群山国立大学数学系副教授；2023年9月起加入汉阳大学数学数据科学系任现职。此外，Jo还担任Journal of Information and Communication Convergence Engineering期刊主编，曾获韩国信息通信学会优秀编辑委员奖（2024）及2023 ICFICE优秀论文奖。
报告摘要
尽管物理信息神经网络（PINN）已成功应用于各类偏微分方程，但涉及界面问题的偏微分方程研究仍较为匮乏。本文提出一种轴增强型PINN，通过索伯列夫扩展技术将椭圆界面问题重新表述为高维空间中的连续问题，从而处理具有不连续解的椭圆界面问题。给出了泊松-玻尔兹曼方程的数值结果。最后，对应用于泊松-玻尔兹曼方程的轴向增强PINN进行了收敛性分析。
