5月23日，中国科学技术大学安徽应用数学中心/数字技术的数学基础与应用教育部重点实验室举行2026届博士学位论文答辩会。张学静、陈凌帆、宋文甜和吴凌霄四位博士生，分别围绕高精度数值积分、鲁棒曲面求交、神经网络流体方力学程求解以及智能全局优化等计算数学核心课题，汇报了创新性强、应用潜力突出的研究成果，并一致通过答辩，被建议授予理学博士学位。

答辩委员会由来自合肥工业大学、吉林大学、河海大学、南京理工大学及中国科学技术大学的知名专家组成，合肥工业大学檀结庆教授担任主席。在认真听取陈述并质询后，专家组评价这批工作“立足计算数学基础理论与方法创新，紧扣科学计算与工业软件的关键问题，展现了扎实的功底和开阔的视野”。

张学静（导师邓建松）的博士学位论文《隐式区域上的数值积分》针对隐式区域上的高精度数值积分难题，提出了边界精确（BP）积分方法，直接利用隐式边界进行精确计算，避免了传统方法的边界近似误差。该方法从二维推广到三维，并适用于裁剪隐式区域，实现了高精度、高稳定性的数值积分，为复杂域上的数值仿真提供了更可靠的计算工具。 

陈凌帆（导师杨周旺）的博士学位论文《鲁棒的曲面求交与高效的μ基计算》聚焦曲面求交的稳定性问题，提出了拓扑稳定的隐式代数曲面与有理参数曲面求交算法，并进一步提出有理参数曲面的重叠检测方法。论文还开发出两种μ基快速计算方法，为曲面隐式化提供了高效工具。 

宋文甜（导师杨周旺、陈景润、程万）的博士学位论文《基于神经网络的流体力学方程求解与应用》面向复杂流体问题，构建了基于神经网络的求解框架。论文提出的间断捕捉随机特征方法、混合随机特征方法及训练的代理模型，有效解决了界面不连续性、强非线性流动及参数化流场快速预测等问题，推动了科学计算与神经网络的深度融合。

 吴凌霄（导师杨周旺）的博士学位论文《基于神经网络映射的全局优化》建立了以神经网络映射为主线的全局优化方法体系，覆盖无约束、约束及结构化优化问题。论文提出的神经网络映射与可行性恢复相结合的约束优化方法，以及学习初始化与局部残差校正的混合策略，为复杂优化问题的智能求解提供了新路径。这些工作揭示了神经网络在优化中的结构化建模潜力。

答辩结束后，四位新晋博士与导师、专家合影留念。他们的研究成果，有着明晰的应用指向——高精度积分算法可服务建模仿真，鲁棒求交技术能加固CAD内核，神经网络的流体与优化求解器则为快速设计迭代和参数寻优提供全新手段。这些基础算法层面的创新发展，正是我国工业软件和数字仿真补齐底层短板的基石。

安徽应用数学中心/数字技术的数学基础与应用教育部重点实验室将不断完善高层次人才培养体系，鼓励青年学者聚焦关键领域和前沿问题，把学术追求融入国家发展需要。随着又一批深耕计算数学的博士生走向科研和产业一线，他们所带来的新理论、新算法，有望被逐步集成进国产工业软件生态，为攻克制约发展的核心难题贡献扎实的数学力量。