预测动力学系统的演化已经成为机器学习一个重要的研究方向，本报告介绍状态预测和系统预测两个方面的应用。仅仅依靠当前参数下测得的一段时间序列预测“黑箱”系统状态变量随后的时间演化行为叫做状态预测，已有的理论方法如贮备池计算等为此目的设计。在同样的条件下推测“黑箱“系统参数空间可能的动力学行为叫做系统预测，这是我们研究组发展的理论和方法。我们的研究表明适当构造的时间延迟循环神经网络在训练的初始阶段，能迅速塌缩成为和“黑箱”系统定性等价的动力学系统，随后在训练的不同阶段以简单到复杂的顺序涌现出“黑箱”系统不同参数区的动力学行为。这些发现为解决逆问题提供了一条新的思路，为预测地震等突变现象提供了一个可能的方案。本报告还讲简单介绍我们最近提出的利用学习机进行局部天气预报的新策略。 　

　　报告人简介： 　 

　　赵鸿，厦门大学物理科学与技术学院教授、博士生导师，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。主持完成国家自然科学基金重点项目等多项基金项目，在低维晶格热输运，布朗运动，机器学习预测等理论研究方面取得了杰出成绩。