本书全面、系统地探讨科学计算的背景、机器学习的重要性以及昇思MindSpore框架在科学计算中的广泛应用。科学计算作为一门交叉学科，融合了数学、计算机科学与技术等领域的专业知识，在现代科学研究和工程实践中起着关键作用。本书以MindSpore为平台，深入研究这一全场景AI框架在科学计算中的探索与实践，通过对基础理论、行业应用和实际案例的详细介绍，为读者提供全方位的学习和参考资料。 全书共8章，首先详细介绍科学计算的基础理论，包括数学模型、算法原理等，为读者打下坚实的理论基础。然后，通过MindSpore在电磁学、生物计算、流体力学、气象学、材料化学及量子计算等领域的实际案例，帮助读者深刻理解MindSpore在现实场景中的应用，为未来的科学计算实践提供实际的指导和参考。 本书不仅适合AI、智能科学与技术、计算机科学与技术、电子信息工程、自动化等相关专业的本科生和研究生阅读，也可为软件开发工程师和科研人员提供深入了解MindSpore框架及其实践的丰富资料。

第1章 导论
1.1 科学计算的背景
1.2 科学计算在中国的发展
第2章 科学计算的应用与方案
2.1 概述
2.1.1 电磁学概述
2.1.2 生物计算概述
2.1.3 流体力学概述
2.1.4 气象学概述
2.1.5 材料化学概述
2.1.6 量子计算概述
2.2 电磁学
2.2.1 电磁学发展
2.2.2 电磁学领域的AI应用
2.3 生物计算
2.3.1 蛋白质结构预测
2.3.2 蛋白质功能与性质预测
2.3.3 蛋白质设计
2.4 流体力学
2.4.1 计算流体力学方法
2.4.2 机器学习在流体力学中的应用
2.4.3 流体建模
2.4.4 主动流体控制与优化
2.4.5 机器学习在流体力学中的挑战
2.5 气象学
2.5.1 大气物理学
2.5.2 大气化学
2.6 材料化学
2.6.1 化学信息表示与存储
2.6.2 逆合成预测
2.6.3 智能化化学实验室
2.6.4 计算化学研究
2.7 量子计算
2.7.1 量子计算基本概念
2.7.2 量子机器学习可行性分析
2.7.3 量子机器学习
2.7.4 量子神经网络
第3章 电磁学应用实践
3.1 概述
3.2 物理驱动的AI电磁仿真
3.2.1 点源时域麦克斯韦方程AI求解
3.2.2 增量训练求解麦克斯韦方程族
3.3 数据驱动的AI电磁仿真
3.3.1 基于参数化方案的AI电磁仿真
3.3.2 基于点云方案的AI电磁仿真
3.4 端到端可微分的FDTD
3.4.1 可微分FDTD求解器原理
3.4.2 基于可微分FDTD的S参数仿真
3.4.3 端到端可微分FDTD求解二维TM模式的电磁逆散射问题
3.5 总结与展望
第4章 生物计算应用实践
4.1 概述
4.2 物理驱动——分子动力学模拟
4.2.1 基础模拟流程
4.2.2 蛋白质松弛
4.3 数据驱动——蛋白质结构预测
4.3.1 蛋白质结构预测工具——MEGA-Protein
4.3.2 动态蛋白质结构解析
4.4 总结与展望
第5章 流体力学应用实践
5.1 概述
5.2 物理驱动的AI流体仿真
5.2.1 N-S方程正问题求解
5.2.2 N-S方程反问题求解
5.3 数据驱动的AI流体仿真
5.3.1 流体仿真大模型——东方·御风
5.3.2 基于傅里叶神经算子的流场仿真
5.3.3 基于Koopman神经算子的流场仿真
5.4 数据-机理融合驱动的AI流体仿真
5.4.1 基于PDE-Net的AI流体仿真
5.4.2 AI湍流建模
5.5 端到端可微分CFD求解器
5.5.1 可微分CFD求解器原理
5.5.2 MindFlowCFD求解器的实现
5.5.3 激波管问题求解
5.5.4 库埃特问题求解
5.5.5 二维黎曼问题求解
5.6 总结与展望
第6章 气象学应用实践
6.1 概述
6.2 基于Koopman神经算子的AI天气预报模型
6.2.1 ViT-KNO模型理论基础
6.2.2 导入依赖
6.2.3 配置文件
6.2.4 创建数据集
6.2.5 构建神经网络
6.2.6 构建损失函数
6.2.7 模型训练
6.2.8 模型测试
6.3 基于深度生成模型的短临降水AI预测
6.3.1 创建数据集
6.3.2 构建模型
6.3.3 构建优化器和损失函数
6.3.4 模型训练
6.3.5 模型推理及可视化
6.3.6 性能对比
6.4 总结与展望
第7章 材料化学应用实践
7.1 概述
7.2 MindSpore实现基于主动学习的高熵合金组分设计
7.2.1 组分生成
7.2.2 组分筛选
7.3 数据驱动的AI第一性原理仿真
7.3.1 基于等变神经网络的晶体哈密顿量预测
7.3.2 创建数据集
7.3.3 构建神经网络
7.3.4 模型训练
7.3.5 模型推理
7.4 总结与展望
第8章 量子计算应用实践
8.1 概述
8.2 MindQuantum基本使用指导
8.2.1 量子逻辑门
8.2.2 量子线路
8.2.3 量子模拟器
8.3 利用量子神经网络实现鸢尾花分类
8.3.1 问题描述
8.3.2 数据预处理
8.3.3 搭建编码层线路
8.3.4 搭建可训练线路
8.3.5 构建哈密顿量
8.3.6 量子神经网络的训练与预测
8.4 利用量子近似优化算法实现组合优化问题求解
8.4.1 问题描述
8.4.2 Max-Cut问题的量子化
8.4.3 QAOA流程
8.4.4 搭建QAOA量子神经网络
8.4.5 训练并展示结果
8.5 总结与展望
参考文献