CSE Colloquium: Qian Yang

Big Data for Physical Science: Statistical Learning and Model

Reduction of Complex Chemical Reaction Networks

Qian  Yang,  Stanford  University 

Throughout the  course  of  human  history,  progress  in  the  physical  sciences  has  evolved  from  experimentation,  to  the  development  of  theoretical  laws,  to  in  more  recent  decades  advanced  computer  simulation.  In  this  talk,  I  will  advocate  that  the  natural  and  necessary  next  step  in  this  evolution  is  data-­??driven  discovery.  This  paradigm  is  relatively  new  for  the  physical  sciences,  but  is  already  showing  promise  in  areas  from  battery  design  to  combustion  modeling,  and  represents  a  field  ripe  for  development  and  innovation. 

As  an  example  of  this  data-­??driven  paradigm  in  action,  I  will  present  our  recent  work  that  seeks  to  automatically  learn  complex  chemistry  from  expensive  physics  simulations  that  currently  require  weeks  to  perform  on  the  world’s  fastest  supercomputers.  These  simulations  are  computed  around  the  world  by  scientists  in  a  variety  of  fields,  and  I  will  show  that  it  is  possible  to  exploit  this  existing  data  using  statistical  learning  to  build  fast,  interpretable,  and  predictive  models  of  chemistry  that  can  then  be  used  to  rapidly  simulate  related  but  previously  unexplored  chemical  systems.  Additionally,  systems  of  interest  in  the  physical  sciences  are  often  extremely  complex  and  difficult  for  human  interpretation,  and  I  will  describe  our  recent  work  developing  an  efficient,  data-­??driven,  L1-­??regularization  based  algorithm  for  model  reduction  of  nonlinear  dynamical  systems.  Finally,  I  will  describe  some  open  problems  and  challenges  that  are  especially  important  to  scientific  machine  learning,  highlighting  opportunities  for  a  path  forward  in  this  exciting  space. 

Bio: 

Qian  Yang  is  a  postdoctoral  scholar  in  the  Materials  Computation  and  Theory  Group  at  Stanford  advised  by  Evan  Reed.  Her  research  interests  lie  at  the  intersection  of  machine  learning,  computational  science,  and  the  physical  sciences.  Qian  recently  completed  her  Ph.D.  from  the  Institute  for  Computational  and  Mathematical  Engineering  at  Stanford  University,  where  she  was  a  2016-­??17  Accel  Innovation  Scholar,  and  holds  a  B.A.  in  applied  mathematics/computer  science  from  Harvard  College.  Prior  to  graduate  school,  she  worked  in  industry  as  a  software  developer,  and  lead  software  development  for  a  start-­??up  using  machine  learning  techniques  to  build  a  diagnostic  device  for  balance  disorders  in  the  elderly.