1. 基础大模型与几何/拓扑/流形:本方向旨在探索基础模型(包括生成模型、大模型)中的嵌入空间与数据的潜在几何结构、拓扑特性及流形的关联。研究涉及但不限于以下核心领域:
表示空间中数据表示的优化及多源数据的对齐
表示空间与数据潜在几何结构的一致性
双曲几何,非欧机器学习,多曲率协同学习
我们热忱欢迎对基础大模型、表示学习、非欧空间、双曲几何或者广义的微分几何与机器学习领域感兴趣的学生和研究者加入我们的团队。我们的目标是通过跨学科的协作,推动基础模型在理论和应用层面的突破性进展。
2. 个性化推荐与网络科学发现:本研究方向旨在利用知识图谱和本地化数据来增强大模型的能力,以解决个性化推荐、社交网络分析、通信网络优化以及群体行为分析等复杂问题。主要研究方向包括:
我们的研究不仅注重理论创新,还致力于解决实际的工业问题。我们的目标是为学术界和产业界提供双重价值,推动个性化推荐和网络科学领域的前沿发展。
3. AI4SCI 人工智能赋能科学研究:我们的实验室同时致力于探索基础模型在科学领域,尤其是生物信息学/生物医药、材料科学等领域的创新应用。主要研究方向包括:
利用大模型推动生物医药数据分析与处理
基于几何与机器学习的生物医药、材料科学创新应用
我们欢迎对人工智能、计算生物学、医学信息、材料科学等交叉领域感兴趣的研究者加入我们的团队,共同推动AI4SCI领域的创新和突破,为生命科学和医学研究带来新的变革。