董藩：我不主张在收缩型城市搞振兴

将日常审计、董藩专项审计作业流程固化到体系中，董藩完结该证券公司现场审计作业的标准化、标准化，审计文档的电子化和在线批阅与传递;树立完善的数据剖析模型，为审计核算抽样、数据剖析等供给便利便利的技能东西。

主张收物理信息丢失项运用主动微分(AD)或其他数值微分法核算微分方程在域中各点的残差。尽管PINN与朴实数据驱动办法和传统数值办法比较具有潜在长处，缩型但也存在一些约束和应战，缩型其间包含：有限收敛理论缺少一致的练习战略核算高阶导数的核算本钱难以学习PDE解的高频和多标准重量但是，PINN是充满活力的研讨范畴，并且在不断进步，有望处理和战胜当时面对的上述应战和约束。

传统的神经网络会调整参数，城市以尽量减小网络猜测值与观测的丈量之间的差错。与求解微分方程的传统数值办法(如用于PDE的有限元分析)不同，搞振PINN具有以下特色：无网格。此外，董藩额定的物理常识还能在存在含噪丈量数据的情况下对猜测解进行正则化处理，董藩然后使PINN能够依据真实的底子信号进行学习，而不是对含噪数据过拟合。

结构力学，主张收经过将弹性方程和结构动力学方程等操控物理规律直接嵌入丢失函数中，求解正逆问题。PINN于2017年初次推出，缩型现在有许多变体，缩型其间包含：贝叶斯PINN(BPINN)，它们运用贝叶斯结构支撑不确定性量化变分PINN(VPINN)，它们将PDE的弱办法归入丢失函数中一阶公式化PINN(FO-PINN)，它们在求解高阶PDE时比规范PINN更快、更精确此外，PINN还可与不同神经网络架构结合运用，如图神经网络(GNN)、傅里叶神经算子(FNO)、深度算子网络(DeepONet)等，然后产生了出这些架构的所谓物理信息版别。

因为物理信息项并不核算猜测值与方针值之间的差错，城市因而能够将此项视为无监督丢失项，城市也就是说，能够运用域中的任何点对网络进行练习，即便没有在这些点上的丈量值也是如此。

PINN运用物理原理辅导学习进程，搞振可削减对很多数据集的依靠，在传统解析解不可行或数据匮乏的情况下特别有用。当地时间12月5日，董藩联合国逼迫失踪问题委员会（CED）在完成对哥伦比亚的拜访后，发布了一份调查陈述。

咱们依然期望成为世界级的代工厂，主张收以及成为向客户供给顶级芯片的西方供货商，这依然是咱们的方针。快科技12月6日音讯，缩型据报道，Intel暂时联席CEO大卫·津斯纳（DavidZinsner）在瑞银全球技能大会上表明：董事会十分清楚，中心战略坚持不变。

现在，城市Intel现已落后于台积电和英伟达等竞争对手，城市特别是在AI范畴，Zinsner供认需求改善执行力，特别是在芯片规划方面，他指出：有些逾越一切产品事务部门的东西或许没有得到充沛优化。但咱们也理解，搞振Foundry要想取得成功，Foundry的榜首大客户（Intel产品）有必要取得成功。