2025年2月26日上午，新加坡国立大学电子与计算工程系Xudong CHEN教授应微电子与通信工程学院邀请，在重庆大学虎溪校区信息技术科研楼A610-A会议室作题为"Physics-Assisted Machine Learning for Wave Sensing and Imaging"的学术报告。本次学术活动由学院易达教授主持，吸引相关领域师生40余人参会。

Xudong CHEN教授系IEEE Fellow、电磁科学院Fellow，现任《IEEE Transactions on Geoscience and Remote Sensing》主编，在电磁波理论与应用，尤其是逆问题与计算成像方向领域具有深厚造诣，在相关等领域发表了180余篇期刊论文。其代表性著作《Computational Methods for Electromagnetic Inverse Scattering》构建了电磁逆问题研究的重要理论框架，被多所顶尖高校采用为研究生教材。

报告中，Xudong CHEN教授聚焦“物理辅助机器学习在波动传感与成像中的应用”这一前沿领域，系统阐述了研究团队的理论创新与技术突破。他首先指出，现有基于机器学习（ML）的波动成像方法多将其视为"黑盒"，而数十年的波动物理研究已积累了丰富的先验知识（如数学特性与解析公式），将物理规律与机器学习深度融合，可大幅提升成像效率与精度。Xudong CHEN教授谈到，机器学习的本质是逆问题的求解，而要做好逆问题的求解就必须对正向求解要有深刻的理解和认识，这要求同学们需要在专业领域具备扎实的数学和物理学理论基础。围绕这一核心思想，Xudong CHEN教授通过微波成像、毫米波MIMO近场成像、扫描微波阻抗层析成像三大场景，展示了物理辅助ML如何优化图像重建过程。

最后，Xudong CHEN教授结合自己多年的科研经验，和大家分享了如何结合机器学习做好科研的心得，可以用“Math”、“Physics”、“Balance”、“Effort”四个关键词概括。他谈到，利用机器学习解决问题，需要将复杂的问题简化为更易处理的数学问题，让神经网络学习数据背后的物理规律，平衡自身与神经网络之间的工作量以及努力更好地理解原始问题背后的物理和数学逻辑。

互动环节，师生就“如何在天线设计中运用机器学习？”、“针对不同的应用场景，该怎样选择“黑盒”与物理辅助的机器学习方法？”等问题与Xudong CHEN教授展开深入讨论。Xudong CHEN教授对机器学习领域提出了别出机杼的洞见，其独到的理论视角与创新性方法论受到与会者高度评价。会议在热烈的氛围中圆满结束。