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. 多维拓扑特征提取与动态谱分析表征： 针对微尺度物质科学中团簇结构的高维复杂性与非稳态演化数据的时空多尺度特征，构建基于几何深度学习与谱分析的混合特征提取框架。利用原子图神经网络与线图技术，结合柯尔莫哥洛夫-阿诺德网络（KAN）的高效非线性映射能力，对纳米粒子的组分、载体界面及配位环境进行精细的拓扑编码，提取关键的结构不变量；同时，针对OR与PMC过程的非平均场/非稳态模拟数据，采用物理信息神经网络（PINN）嵌入小波分析与傅立叶变换算法，深度解耦瞬时动态标度律，并利用微分流形理论识别系统演化中的强/弱涌现特征，为后续的理论构建提供高保真、低维度的物理表征基础。

2. 符号公式发现与微分流形统一构建： 跨越传统黑盒模型，融合确定性独立筛选、并行蒙特卡洛树搜索与大语言模型驱动的反事实推理技术，建立高通量的符号回归与公式发现体系。该模块重点引入微分流形与层论算法，通过智能构造不同物理状态（如不同尺寸区间）切空间之间的联络，发现能够统一描述经典与反常尺寸依赖关系的全局解析解；利用基于特征互信息与纠缠熵的聚类分组策略，结合张量高级算符复合，构建既符合数据统计规律又满足多机制切换（如熟化与迁移耦合）物理逻辑的通用控制方程组，实现对微观动力学机制的可解释性数学重构。

3. 方程核驱动的物理约束与渐近求解： 建立以物理方程为核心的神经计算架构，将挖掘出的控制方程及理论渐近解作为深度学习模型的核函数、损失约束或边界条件，确保模型严格遵循热力学一致性与守恒律。针对含全局积分项的复杂积分-微分方程（如粒径分布演化方程），开发基于贪心构造的快照子空间正交基算法，在降维流形上实现非稳态动力学的高效投影求解；同时集成渐近保持技术，使神经网络在长弛豫时间或极限尺寸条件下能自动回退至经典理论解（如LSW分布），从而实现从微观离散模拟到宏观平均场描述的无缝精度衔接。

4. 基于流匹配的生成式模拟与逆向设计： 利用前沿的流匹配生成式模型，构建动力学演化轨迹与物质结构的双向逆向设计范式。一方面，通过流匹配算法直接学习粒子尺寸分布函数的时间演化概率流，实现对动力学曲线簇的高精度生成、机制归属判别及扩散系数等关键物理参数的逆向识别；另一方面，开发以可解释公式树、能量学数据及稳定性判据为条件的分子结构生成算法，协同优化纳米团簇的原子组态与制造工艺参数，最终达成从理论公式发现、动力学机理模拟到材料逆向制造的闭环研究目标。