胡素磊，中国科学技术大学特任教授，2018年博士毕业于中国科学院大连化学物理研究所，随后在中国科学技术大学从事博士后研究。2021年转为特任副研究员，2022年转为副研究员，2023年转为特任教授。先后获国家高层次人才特殊支持计划青年拔尖人才项目、安徽省杰出青年基金、中国化学会唐敖庆理论化学青年奖、中科大墨子杰出青年特资津贴一等资助、合肥微尺度物质科学国家研究中心优秀博士后等荣誉称号与奖励，先后主持中国科学院青年创新促进会、中科大青年学术领军人才项目、中科大青年创新重点基金、国家自然科学基金青年和面上基金、国家博士后面上一等资助、博士后站中特别资助等项目。近年来在Science(2)、Nat. Catal.(2)、Nat. Commun.(2)、J. Phys. Chem. C.、ChemCatChem等期刊上多篇SCI论文。

主体研究思路和内容：

1. 数据-知识-智能融合驱动的符号回归与可解释性定律发现

        针对复杂物理化学系统中多尺度耦合与高维非线性特征，本研究致力于打破传统黑盒模型的局限，构建“数据实理、领域知识与计算智能”深度融合的复合表示体系。核心在于发展一种新型符号回归算法，该算法以确定性独立筛选（SIS）为预处理基石，融合蚁群算法的信息素正反馈机制与蒙特卡洛树搜索策略，在庞大的函数空间中实现高效寻优。更为关键的是，通过引入大语言模型（LLM）的逻辑推理能力与进化策略的全局搜索优势，系统能够自动从标量、序列乃至张量数据中提炼出具有明确物理意义的解析表达式。在此过程中，结合图卷积神经网络（GCN）与自动微分技术，对特征空间进行降维聚类与正交化处理，构建正交多层次的近唯一模型。这种方法不仅消除了多重共线性对模型鲁棒性的干扰，更赋予了模型强大的分布外（OOD）预测能力与反事实推理功能，从而实现从单纯的数据拟合向深层因果机制发现的跨越。

2. 非欧几何描述符提取与物理信息神经网络的高保真演化模拟 

        为了精确捕捉物质世界中非标量数据的内禀结构，本研究深入探索基于几何深度学习的复杂表征与动力学求解体系。一方面，面向分子结构、局域环境及高维流形数据，利用谱变换与全局基函数构建针对图结构、张量及流形的几何深度学习描述符，实现对目标功能属性的精确映射与生成。另一方面，针对控制方程中的非稳态、动边界及全局积分项挑战，创新性地引入了基于柯尔莫哥洛夫-阿诺德网络（KAN）、小波分析与傅立叶变换的混合架构。特别是在处理含全局积分项的积分微分方程时，提出基于贪心构造的索伯列夫（Sobolev）正交基表示法，显著提升了物理信息神经网络（PINN）在复杂边界条件下的逼近效率与收敛精度。这一系列算法实现了二维拉普拉斯方程等复杂动力学过程在可变移动边界下的高精度求解，为结构演化与流形生成的数值模拟提供了坚实的数学基础。

3. 基于范畴层论的跨尺度统一描述与物理孪生系统构建 

        在微观机制与宏观现象之间，本研究进一步引入微分流形与范畴层论思想，旨在建立跨越时空尺度的统一动力学描述理论。以PMC过程为例，通过动态标度理论解析尺寸、阶数及弛豫时间的分布演化，提取系统的强/弱涌现特征。利用层论思想处理多机制切换模型在切空间间的联络与一致性问题，智能构造能够适应多尺度耦合的全局解析解。这一理论框架不仅仅是数学上的抽象，更是构建“物理孪生-预测控制系统”的核心引擎。通过融合上述的符号回归发现与几何神经模拟，最终建立一个能够实时感知、推理并进行条件生成的智能系统，实现对物质演化规律的自动提取及复杂场景下的反事实推理与精准控制。