本次会议将深入讨论随机动力系统、随机分析与计算及在数据科学热点问题中的新研究。将聚焦随机偏微分方程、随机动力系统的理论方法及其在生物物理中的应用，随机动力系统的有效动力学与数据科学交叉研究的前沿问题，融合机理的数据驱动建模方法，深度学习的可解释性分析，因果推断，复杂网络，隐私计算等。邀请相关专家介绍最新研究成果，探讨与之适应的新的建模技术与分析方法，为解决诸多复杂应用问题提供新的研究思路与方向。

主要内容：

为了更好地理解复杂系统，考虑非线性和随机性是必不可少的。人们越来越认识到将随机效应纳入科学和工程中复杂、多尺度现象的建模中的作用。考虑随机效应对于解决当今数据科学中的许多问题至关重要。

1. 随机偏微分方程

随机偏微分方程作为受到随机扰动的复杂系统的数学模型，广泛存在于气候系统、生物物理学、凝聚态物理学、材料科学、信息系统、机械和电气工程以及金融中的复杂现象的数学建模中。 我们研究随机偏微分方程的渐近动力学行为，特别是不变流形、不变测度及其数值实现，以及通过平均化和均匀化的有效约化。不变测度是承载非线性动力系统基本动力信息的分析对象。例如，使用不变的度量，我们可以计算系统状态的整体平均值（熵、平均状态、矩、可预测性等），我们还可以通过平均来减少动态。

2. 随机动力系统的理论方法及其在生物物理中的应用

随机微分方程作为非线性系统在随机因素影响下的合适的数学模型，已得到广泛接受。随机微分方程及其所生成的随机动力系统的复杂动力学的研究目前已经是国内外微分方程及动力系统领域的研究热点和前沿课题。随机动力系统的理论方法在近些年得到了迅速发展，几何方法，量化指标等等。将这些方法应用到生物物理系统中，借助具有可预测功能的动力系统模型做出定量预测，进而通过已有实验数据分析随机系统的信息，为生物物理学的随机动力学研究提供新方法和新工具。

3. 融合机理的数据驱动建模方法与可解释性的深度学习

随着数据采集技术的提升，越来越多的复杂时空数据对建模和应用的分析方法提出挑战。考虑到时空数据的强噪声、复杂突变、难以预测、观测不完全等特性，需要融合机理建模，从而更好地解释数据动力学的内在本质。这里涉及到的数学工具涉及面广：泛函分析、逼近论、随机分析、概率论、数值分析、最优化、控制论、动力系统、几何拓扑、统计推断等；还有这其中不同领域方法的交叉，于是许多新的技术方法不断产生，并激发我们探索更多创新性理论方法。深度学习的可解释性有助于揭示数据科学中的重大瓶颈问题，对于许多新领域如因果推理、复杂网络、隐私计算等有着重大帮助。 该会议旨在通过促进随机和计算新兴领域共同感兴趣的主题，在随机和计算社区之间建立桥梁，并教育博士后和研究生在这些新兴领域进行研究。