5月1日，我校电子与信息工程学院计算机科学与技术专业研一硕士生朱宴辉撰写的论文“APIC: Orthogonalized Neuro-Symbolic Modeling for Nonlinear Dissipative Dynamics”被第43届国际机器学习大会（International Conference on Machine Learning，ICML）录用，我校为该篇论文唯一第一作者与通讯作者单位。ICML是机器学习领域历史最悠久、规模最大、影响最广的顶级学术会议之一，也是中国计算机学会（CCF）推荐的人工智能领域A类会议。根据谷歌学术最新发布的全球学术期刊和会议影响力排名，ICML位列第17位，其h5指数高达268。ICML与NeurIPS、ICLR并称为人工智能领域难度最大、水平最高、影响力最强的三大会议。

该篇论文针对当前以数据驱动的神经网络存在频谱偏差与数据低效问题，以及传统物理约束范式陷于优化病态与梯度冲突的困境，从而导致预测精度、计算效率与物理一致性难以兼顾的问题，提出了一种自适应物理启发计算神经符号元架构（Adaptive Physics-Informed Computing，APIC），该架构以非线性耗散系统为验证场景，通过引入广义G-KSCH物理算子作为结构化先验，结合深层堆叠融合模块，弥合了物理规律与数据特征间的差异，实现了鲁棒的语义对齐；设计了结构化梯度隔离策略，将物理参数识别与残差校正的优化路径进行机制性解耦，显著消除了混合建模中的梯度冲突。通过与多个主流方法在三维超音速激波等复杂动力学基准上的对比，APIC有效打破了准确性与效率的壁垒，实现了帕累托最优，即便是在极小数据量环境下也能实现高质量预测，并在气象、交通流、手术力反馈预测任务中展现出卓越的跨领域泛化能力。

该项成果是我校在人工智能与神经符号计算交叉领域取得的重要突破，也是计算机学科对AI4Science领域发展的重要贡献，对于推动我校医工结合、工业软件领域以及相关学科高质量发展具有重要理论支撑作用。