内容简介：正则变换是一种经典的计算方法。通过适当的变量替换，正则变换能够简化甚至彻底求解哈密顿体系的动力学演化。19世纪，法国科学家 Charles Delaunay 曾耗费20年时间和长达1800页的解析推导，试图利用正则变换化简“日–地–月”三体问题。然而，在更复杂的多体问题中，正则变换的应用往往受制于繁琐的人工操作和解析计算。在深度学习成为显学的时代，将正则变换看作一种可学习的可逆变换，揭示了它与流模型（一类概率生成模型）之间富有成效的联系。从这一视角出发，一个关键问题是如何将物理约束引入流模型中，例如辛结构、幺正性以及置换对称性等。在本报告中，报告人将结合具体案例介绍神经网络正则变换的设计与应用。

报告人简介：王磊，现任中国科学院物理研究所研究员。他在2006年本科毕业于南京大学，2011年在中国科学院物理研究所获得博士学位，此后在苏黎世联邦理工学院从事计算量子物理的博士后研究，2016年加入中国科学院物理研究所工作。他的主要研究兴趣是深度学习与量子多体计算的交叉领域。