学院介绍
新闻中心
ICLR 2026丨建筑学驱动AI创新：我院城市时空建模成果入选机器学习顶会
发布时间：2026-02-09
当人工智能开始重塑科学边界，建筑学科如何将领域知识转化为驱动算法创新的核心力量？
近日，第十四届国际学习表征会议（The Fourteenth International Conference on Learning Representations，简称 ICLR 2026）公布录用结果。由我院姚佳伟副教授担任通讯作者，联合新加坡国立大学、清华大学共同完成的研究论文《UrbanGraph: Physics-Informed Spatio-Temporal Dynamic Heterogeneous Graphs for Urban Microclimate Prediction》成功入选会议主会（Main Track）。该成果将于 2026 年 4 月在巴西里约热内卢举行的会议上正式发布。
ICLR 由图灵奖得主 Yoshua Bengio 和 Yann LeCun 于 2013 年共同发起，与 NeurIPS、ICML 并称为机器学习领域的三大顶级学术会议。根据谷歌学术发布的 2025 年度影响力排行榜，ICLR 位列全球所有学科出版物总榜第 8 位（紧随Nature、Science、The Lancet等）。在本届会议收到的近 1.9 万篇有效投稿中，整体录取率仅约为 28%，竞争极为激烈。这项由建筑学团队领衔的成果入选主会，充分展现了学科专业知识在人工智能前沿领域的影响力。
该研究聚焦城市物理环境的时空建模，构建了数据物理双驱动的图表示方法与模型架构。这一路径突破了传统数据驱动方法的“黑箱”局限，在实现城市物理场高精度推演的同时，更为社会网络分析、生态格局演变等涉及复杂系统交互的学科提供了通用建模范式。该成果有力证明了建筑学不只是人工智能的应用场景，更是驱动算法演进的核心动力，标志着我院在“AI for Science”的前沿探索中发挥了以领域知识重构智能技术的关键作用。
研究介绍
01
预测框架
高精度城市微气候预测是建设气候韧性城市与优化人居环境的关键科学基础，其核心难点在于捕捉异质性城市空间中复杂的能量与动量传输过程。然而，传统数值模拟成本高昂，而数据驱动模型多基于统计关联，导致预测违背物理常识。针对上述瓶颈，研究基于“物理第一性原理”，构建了 UrbanGraph 预测框架。该框架将微气候的动态演化机理转化为图神经网络中可计算的结构化表征，突破了现有方法在预测精度、计算效率与跨场景泛化上的局限。
02
核心机制
UrbanGraph 框架的核心创新在于引入了“结构性归纳偏置”（Structural Inductive Bias），即将建筑学与建筑物理知识编码为模型的结构约束，从而赋予模型符合物理逻辑的因果推演能力。其三大核心机制包括：
结构因果嵌入：将植物蒸腾、遮阴、对流等物理第一性原理编码为动态异构图拓扑，利用显式结构约束迫使模型的感受野与真实物理影响域相对齐。
物理算子解耦 ：利用关系图卷积网络作为物理算子近似器，为热辐射传输、流体对流等异质交互过程分配专用学习参数，解决了传统模型在捕捉多物理过程叠加时的因果纠缠问题。
时空架构对齐：通过剥离空间拓扑解析与时间演化逻辑，使模型架构自然对齐热/动量传输的马尔可夫演化本质，在保持物理稳健性的同时显著降低了优化难度。
03
模型验证
为验证模型性能，团队研发并发布了高分辨率城市微气候基准数据集 UMC4/12。在与四类主流时空模型的对比中，UrbanGraph均取得最佳预测精度，同时计算量大降73.8%，速度提升21%。
不同模型架构的性能与效率对比。UrbanGraph 在主流架构对比实验中取得了最佳预测精度。
作者团队
作者：信蔚林¹†, 黄辰宇²†, 李沛霖¹, 钟婧³, 姚佳伟²*
单位：¹新加坡国立大学, ²同济大学, ³清华大学
（†共同第一作者，*通讯作者）
论文链接：https://arxiv.org/abs/2510.00457
这项工作不仅为建筑学科提供了精准的城市物理场分析工具，更通过“以结构化领域知识驱动 AI 设计”的思路，为机器学习社区处理复杂时空物理系统贡献了创新的解决方案。这一成果实现了从学科应用到算法底层的双向知识互馈，有力彰显了建筑学科在推动人工智能解决复杂科学问题中的独特价值。
该成果入选 ICLR 主会，标志着我院在 “AI for Science”前沿探索中取得了重要进展，展现了跨学科领域的国际学术影响力。它验证了“立足学科本体、驱动技术创新”这一战略路径的先进性。未来，学院将持续深化此类前沿交叉研究，致力于构建具有自主知识产权的科学计算体系，为未来人居环境建设提供坚实的科学支撑。
