第四届北京师范大学国际物理暑期学校圆满落幕

2026年7月6日至7月10日，第四届北京师范大学国际物理暑期学校开幕式在物理楼110教室顺利举行。本次活动由北京师范大学物理与天文学院主办，以“人工智能＋暑期学校”为核心主题。开幕式上，学院本科教学副院长张文凯围绕活动主旨进行整体介绍，深入阐述人工智能对当今科研工作的重要赋能作用，分析师生主动学习人工智能的时代必要性和重要意义，明确了本次暑期学校的人才培养要求，并详细介绍了各位授课专家。此次活动，有70余名学子齐聚一堂， 满怀热枕聆听前沿学术分享，主动吸纳人工智能与物理学科交叉融合的全新知识体系。

图1. 张文凯老师主持开幕式

图2. 暑期学校师生合影

7月6日下午， 江建勇老师围绕“医学影像科技”展开授课，系统介绍了医学影像技术的发展历程、基本原理及其在现代医学中的重要作用。课程从医学影像的基本概念入手，介绍了X线、CT、磁共振、超声、PET/SPECT等主要医学成像技术，重点讲解了医学影像形成过程中涉及的人体组织特性、物理信号产生、探测与图像重建等关键环节。

在核医学部分，江老师从放射性基本原理出发，进一步介绍了放射性核素、γ射线探测以及核医学成像技术的发展过程，并结合PET、SPECT等先进成像设备，讲解了核医学影像在肿瘤、神经系统及心血管疾病早期诊断中的应用价值。通过对医学影像技术体系及其物理基础的梳理，学员对医学影像从物理机制到临床应用的完整流程形成了系统认识，为后续逐步深入计算机视觉前沿理论与深度学习工程实践奠定了良好的理论基础。

图3. 江建勇老师讲解核医学理论基础

7月7日，刘言东老师的课程内容紧密围绕当前“AI for Science”的科研前沿，主要涵盖三大模块：分别是AI发现物理定律：通过单摆运动等经典案例，剖析了纯数据驱动AI的“黑盒”局限性。课程引导学生利用量纲分析等物理先验知识，大幅提升AI搜索效率，实现从观测数据中直接提取物理规律和守恒量的“白盒”突破。AI求解物理方程：针对传统数值计算中容易出现的能量耗散等痛点，课程引入了物理信息神经网络（PINN）。通过具体实验演示，向学生生动展示了方程和边界条件是如何作为“规则”去约束和指导AI求解复杂物理系统的。

大模型作为科研“超级助理”：课程不仅探讨了大语言模型在文献降维解析、公式推导查错中的应用，还通过统计物理中的经典模型，实操演练了如何将物理图像转化为代码。特别强调了在AI时代，物理研究者必须具备鉴别AI幻觉、并用物理逻辑引导AI进行纠错（Debug）的能力。

图4. 刘言东老师讲解“AI for Science”

7月8日上午，江建勇老师的课程进入计算机视觉与医学影像交叉领域。课堂上首先回顾了计算机视觉技术的发展历程，系统梳理了计算机视觉领域从传统图像处理方法到深度学习方法的发展过程。在此基础上，课程重点聚焦计算机视觉在医学影像领域的应用场景，涵盖病灶检测、器官分割、疾病分类等核心临床问题，展示了人工智能技术在医学影像辅助分析、病灶识别和临床决策支持中的应用潜力。

当日课程的另一大重点是PET成像技术全流程解析。讲师详细拆解了PET图像从原始探测数据到最终重建图像的完整链路，包括符合事件采集、数据校正、图像重建算法等关键环节，帮助学员理解核医学影像形成过程中涉及的物理过程与数据处理方法。这部分内容不仅加深了学员对医学影像数据特性的理解，也为后续三维医学影像处理实验做好了理论铺垫。

图5. 江建勇老师介绍PET成像

机器学习的发展历史，及其在引力波探测中的应用由王赫老师主讲（理论物理博士，现任中国科学院大学国际理论物理中心亚太地区E系列副研究员）。他为学生们讲解了机器学习的发展历史，以及其在引力波探测实验中的应用，内容涵盖涵盖引力波信号搜索、噪声建模、参数反演及其与多信使天文学的交叉应用。

图6. 王赫老师介绍人工智能引入天文学

随后，晁伟老师系统性地向同学们讲解了神经网络的基本原理，使得同学们初步认识了基于神经网络的机器学习。

图7. 晁伟老师讲解神经网络原理

7月9日上午，“医学影像科技”课程转入深度学习工程实践环节。学员们从零开始，亲手搭建深度学习开发环境，学习Python环境配置、CUDA驱动安装、PyTorch框架部署等核心技能，掌握了利用GPU进行模型加速训练的方法。讲师结合代码实例，深入浅出地讲解了神经网络的基本组成与训练流程，帮助学员初步建立了深度学习任务开发与实践的工程化思维。

实践环节中，学员们以经典的MNIST手写数字识别任务为切入点，完整体验了从数据加载、网络构建、损失函数设计到模型训练与评估的全流程。在此基础上，课程进一步拓展至目标识别任务，让学员直观感受卷积神经网络在视觉特征提取方面的强大能力。通过一天的动手实践，学员们初步掌握了深度学习项目开发的基本流程，为次日更高难度的三维医学影像分割实验做好了技术储备。

图8. 由助教陈依皓带领大家进行实践

7月9日下午，由中关村学院导师，博士毕业于麻省理工学院物理系的毕然老师进行授课。课程讨论人工智能与物理之间日益紧密的双向关系：人工智能正在改变物理研究中的计算、建模和发现方式，而物理也在塑造更可靠、更高效、更可解释的人工智能模型。随着人工智能从纯数据驱动逐渐走向物理感知模型，物理中的对称性、约束、守恒律、几何结构和不确定性评估将变得越来越重要。课程也强调，在人工智能时代，物理研究不会被人工智能取代，而是会与人工智能更深度地结合，形成新的科学计算范式和研究工作流。最终目标是在拥抱人工智能带来的新能力的同时，继续保持严谨的物理判断与可验证的科学标准。

图9. 毕然老师介绍“AI and Physics”

由丁雪峰老师，中国科学院高能物理研究所特聘青年研究员，2019年获意大利国际高等研究院理学博士学位。博士期间在意大利格兰萨索国家实验室参与 Borexino 实验，后在普林斯顿大学继续从事 Borexino 研究，并在 CNO 太阳中微子测量中作出基础性贡献。2023年2月通过国家级人才引进项目加入中国科学院高能物理研究所。丁老师为同学们讲解了机器学习的基础，江门中微子实验中的中微子物理、面向粒子物理的人工智能模型与高性能科学计算，以及基于智能体循环工程的科研自动化。

图10. 丁雪峰老师介绍“智能”

课堂后半部分，江建勇老师对“医学影像科技”系列课程进一步聚焦医学影像人工智能的临床应用场景与实践训练。课程从临床需求出发，课堂依托Radiopaedia真实病例资源，系统展示了X线、超声、MRI、PET-CT等多种医学影像模态的特点及其临床诊断价值。通过对鹰嘴滑囊炎、垂体卒中、胸腺瘤PET-CT等典型病例的深入解析，帮助学员从临床应用角度认识不同医学影像技术在疾病筛查、诊断和治疗评估中的作用，进一步认识到人工智能技术与临床场景深度融合的重要意义。同时，课程还介绍了AlphaFold、Intuitive Surgical等人工智能技术在生命科学和智能医疗领域的典型应用案例，帮助学员拓展学科视野，把握医学AI未来发展趋势。

之后课程进入综合实践环节，围绕三维CT脾脏全自动分割任务展开。该实验基于Medical Segmentation Decathlon（MSD）公开数据集，并采用专业医学影像人工智能框架MONAI开展实践教学。学员们系统学习了三维医学影像处理流程，包括体素重采样以统一空间分辨率、RAS坐标系标准化、HU值窗口截断与归一化、ROI裁剪等关键预处理技术，深入理解医学影像数据在空间结构和灰度信息上的特殊性。模型训练阶段，课程采用经典3D U-Net网络架构，并结合Dice损失函数优化分割性能，用于缓解医学影像分割任务中常见的类别不平衡问题。通过完整参与数据处理、模型构建、训练优化与结果分析全过程，学员们进一步掌握了三维医学影像AI任务的基本开发流程，加深了对医学影像人工智能任务从数据处理、模型训练到结果分析全过程的理解。

至此，2026年第四届北京师范大学国际物理暑期学校全部课程圆满结束。本届暑期学校紧扣“人工智能+”时代主题，聚焦物理学科与人工智能交叉前沿，通过系列专题讲座，系统展现了人工智能在物理规律挖掘、数值计算、科研自动化、医学影像分析等方向的重要应用，阐释了物理理论反过来优化人工智能模型的双向关系。课程既立足学科前沿，又贴合科研实际，有效提升了学生运用智能技术开展物理研究的能力。未来，物理与人工智能的交叉融合必将持续深入，本次暑期学校播撒的创新种子，也将助力青年学子在交叉学科领域持续深耕、勇攀高峰。