埃里克和温迪施密特人工智能科学博士后奖学金

项目概述
埃里克和温迪•施密特人工智能科学博士后奖学金是施密特未来计划的一项计划，是一项新的国际倡议，旨在通过加速将人工智能技术纳入自然科学、工程和数学科学 （STEM） 来改变科学的完成方式，为科学创新前线最敏锐的头脑提供人工智能工具和培训。
该计划旨在创造伟大的科学;一 加速人工智能在想象、规划、执行中的实质性应用， 支持世界各地的科学研究;和建造一个 以人工智能应用为基础的全球科学领袖群体 在他们的领域。
研究员将有机会对人工智能和科学领域的重大问题进行原创性研究。他们将组成一批自然科学领域的顶尖学者，参与联合培训和研究活动。研究员将获得一个独特的、跨校园的生态系统，用于进行研究所需的人工智能方法培训。他们将获得有竞争力的薪酬和福利、丰厚的旅行津贴以及与全球合作伙伴合作的机会。
资格
• 申请人必须在 3 年内 已取得非计算机博士学位或同等学位 科学领域。
• 优秀的学术记录和研究 潜在。
• 申请人须提交 深思熟虑和现实的跨学科研究计划。只研究 将人工智能技术应用于工程、自然科学和数学 科学将得到支持。
• 申请人必须确定 潜在的项目导师（即南洋理工大学教师），他们可以提供有价值的 学术和职业指导。

奖学金条款和条件
• 该奖学金最多可容纳两 （2） 人 年薪待遇诱人。
• 得奖者须参加 在奖学金期间，每年至少一个人工智能模块。
• 得奖者必须提交一份年度报告 向大学和Schmidt Futures提交进度报告，说明他们的进展， 成果和贡献。
• 得奖者必须出席 主办大学和兴华组织的会议/讲习班/研讨会 未来展示他们的研究并寻求合作。

申请流程
• Eric 和 Wendy Schmidt AI in Science 博士后奖学金 2023 年申请征集现已结束。
• 有兴趣申请该计划的候选人必须联系其潜在的项目导师（即南洋理工大学教师），并与潜在导师一起提交申请材料。请与项目导师联系，了解内部截止日期。
• 每位申请人须提交完整的申请表格（下载 范本），并附上以下证明文件：
1. 2页研究计划书（申请表第7（i）节）
2. 全面的简历（包括完整的出版物列表）
3. 官方英文博士成绩单或学位证书
4. 南洋理工大学教职员工同意成为申请人的项目导师的确认。
5. 两封推荐信（一封必须来自博士生导师）
6. 前 3 名出版物（PDF 格式）和任何其他证明文件（扫描件）

现任研究员
杨龙：杨龙于2020年获得中国上海同济大学物理学博士学位。目前，他是新加坡南洋理工大学的研究员。Long博士的研究专长包括研究自旋角动量和 经典波系统中的新拓扑现象，近场光子学/声子学的方向控制，以及基础物理学中的机器学习。他目前专注于对没有人类的物质的拓扑相进行分类 知识和开发新型无监督学习算法，以取代复杂的抽象数学。
研究方向：
• 物理学中的机器学习
• 拓扑物理
• 近场波物理
• 经典波中的自旋角动量


项目：无需人类知识
的拓扑分类机器学习 摘要：基础科学中一个重要且永不褪色的主题是分类 的物质。物质的分类反映了物质的用途和功能。然而，传统的物质分类主要局限于使用一些常见的物理特征或自由度，例如元素、 几何结构或化合物。拓扑分类是一种基于拓扑学的新型分类方案，已逐渐被引入到物质分类的研究中。自然物质可进一步分为各种 拓扑类别，例如拓扑/平凡绝缘体和拓扑半金属，符合拓扑分类。在两种拓扑结构不同的材料之间已经观察到了新的拓扑现象，并得到了大量的应用 例如拓扑激光器和片上太赫兹区域光传输。尽管已经构建了许多关于拓扑分类的理论，但最近仍然报道了新的拓扑机制或材料。原因是 这些理论方法严重依赖抽象数学（如同伦群、K理论或克利福德代数），这些数学是不完整的，发展缓慢，在新情况下可能是不正确的。请注意，许多材料以前被分类 由于“琐碎”被发现是拓扑的，并取得了新的理论进展。因此，提出了一个问题：是否有可能放弃有缺陷的数学技术（例如，同伦群和 K 理论）或避免使用任何人类 知识？换句话说，我们能仅根据从物质中收集的原始数据来实现拓扑分类吗？在这个项目中，我的目标是系统地结合机器学习，以数据驱动的方式实现拓扑分类， 为了摒弃传统的抽象数学。该方法基于将无监督学习技术应用于哈密顿样本的原始数据，以捕获拓扑上不同的阶段。与早期的数学理论相比， 这种数据驱动的方法不需要任何人类经验或知识。因此，它不会因为拓扑不变量列表或理论限制而错过“隐藏”拓扑相。它还需要实用 将约束条件（例如，有限数量的波段）考虑在内，并揭示一些以前未被注意到的特征。

道福英
道福英毕业于电子科技大学生物医学工程专业，获博士学位。基于生物学和计算科学的背景，Fuying的博士研究重点是起源复制位点的鉴定 通过对全基因组 DNA 甲基化、组蛋白修饰谱和 3D 基因组学的综合分析，在真核生物基因组中（Dao 等人，2023 年，INT J BIOL MACROMOL; Dao 等人，2022 年，研究;Dao et al. 2021a，BRIEF BIOINFORM （高被引论文）;Dao et al. 2021b，BRIEF BIOINFORM （高被引论文）;Dao et al. 2021c，BRIEF BIOINFORM; Dao et al. 2019， Bioinformatics （高被引和热门论文））。福英继续她的研究 在Melissa fullwood博士的实验室担任博士后研究员，使用人工智能方法鉴定染色质相互作用和癌症生物标志物。

研究方向：陶福英对设计和使用计算方法解决生物学问题感兴趣。特别是，她更喜欢使用人工智能来识别染色质相互作用和癌症生物标志物 方法，旨在通过识别特定的基于染色质相互作用的生物标志物来开发癌症的精确疗法。
项目：深度学习在识别染色质相互作用和癌症生物标志物
中的应用 摘要： 在真核生物中，染色质被折叠成复杂的三维结构并动态调控生命过程。使用人工智能方法来识别基于特定染色质相互作用的生物标志物，可以区分各种癌症亚型 以及开发精确疗法以更有效地治疗癌症。在这里，我假设深度学习模型可以挖掘信息特征并准确预测RNA-Seq样本中的染色质相互作用。这项工作的意义 如果成功，我们将能够分析大量临床RNA-Seq数据的染色质相互作用，并建议潜在的表观遗传药物进行进一步的药物测试。

田庆云
田庆云于2016年获得东南大学工程学士学位。随后，她于2022年在新加坡南洋理工大学获得博士学位。毕业后，她在南洋理工大学担任研究员 大学和新加坡国立大学。主要研究方向为交通系统建模与优化。
研究方向： 城市交通， 智能网联汽车、基础设施规划与设计、共享出行、智能交通系统。
项目：基于学习的建模框架及其在交通系统
运营管理中的应用 摘要： 在城市人口快速增长的情况下，城市人口的快速增长及其产生的 随着旅游需求的扩大，全球许多主要城市都面临着为乘客和货物提供高效出行服务的城市挑战。如今，随着科技的发展和高性能计算的发展，智能 交通系统在学术界和实践中都很受欢迎。基于海量数据“学习”的AI技术，可以更快地识别特征并做出分析和预测，为交通提供了新的出路 规划、运营和管理。该研究项目的重点是人工智能在交通中的应用。目标是为运输系统的运营管理提供解决方案。为了实现目标，AI技术、机器 学习和运输模型将需要整合到整个框架中。

弗洛里安•罗斯曼内克
Florian Rossmannek 分别于 2018 年、2019 年和 2023 年在苏黎世的瑞士联邦理工学院获得数学学士、硕士和博士学位。在攻读博士学位期间，他是瑞士RiskLab的成员。现在 他是新加坡南洋理工大学的施密特人工智能科学博士后研究员。
研究方向：近似与优化 机器学习、神经网络、储层计算、机器学习在量子物理学中的应用等问题。
项目：学习薛定谔方程与储层系统
摘要：机器学习在许多应用中都充当了生成黑匣子 好的结果。为了改进这一点并使黑匣子可解释，需要从数学上理解感兴趣的应用，并相应地调整机器学习方法。在这个项目中，我们追求这种方法的应用 在量子物理学中。其中的一个艰巨挑战是找到所谓的基态和激发态，它们是系统的能级。了解这些状态对于理解和模拟化学反应至关重要。数学 在发言中，我们设计了一种新的基于储层计算的可解释机器学习方法，通过考虑薛定谔方程来学习哈密顿算子的特征值。

瓦德冈卡尔•英德拉吉特•普拉迪普钱德拉
Indrajit 于 2023 年 2018 月获得新加坡南洋理工大学 （NTU） 物理学博士学位。在攻读博士学位期间，他致力于应用半经典框架（瞬态玻尔兹曼方程）来破译超快动力学 在量子材料中。在加入南洋理工大学之前，Indrajit在印度马德拉斯的印度理工学院完成了硕士学位，然后在印度最大的汽车制造商塔塔汽车公司担任研发高级经理 有限公司。在塔塔汽车公司任职期间，Indrajit在高级工程部门领导了计算流体动力学分析，主要从事未来的燃料电池技术研究。Indrajit是政府的接受者 印度高等教育奖学金、J.N.Tata 捐赠奖学金（2018 年）、南洋研究奖学金（2020 年）、首届帝国理工学院-TUM-NTU 全球研究员计划（2023 年）和 Eric 和 Wendy Schmidt 人工智能科学博士后奖学金 (<>).
研究方向：量子材料中的超快动力学、量子系统的半经典分析、理论量子物理和统计力学
项目：人工智能辅助石墨烯和薄石墨中声子泊塞耶流的最新建模 摘要：
在过去的二十年里，由于对最大散热率的限制，现代电子产品的时钟速度和处理器速度一直停滞不前，而这反过来又是组件材料导热性有限的结果。 原则上，石墨烯中声子的流体动力学泊塞耶流动有望实现无限的导热性，这有可能被设计为在现代电子学中实现革命性的技术应用。然而，固有的复杂性 到目前为止，在描述这种现象时，由于阻止了可以增强正在进行的实验进展的令人满意的数值模型，从而阻碍了实际应用的发展。虽然瞬态玻尔兹曼方程 （TDBE） 是 作为公认的材料流体动力输运建模框架，其散射积分项数值解的精度为N的超线性标度提出了巨大的挑战，这极大地限制了 TDBE的适用性。在过去的几年里，我们开发了一种新颖的求解器来求解这个术语，这大大缓解了扩展挑战。例如，对于 3 腿声子散射描述，我们的求解器显示了缩放 精度为 N^2.5，与传统方法的 N^4 比例形成鲜明对比。这一显著的收获已经使我们能够成功地使用玻尔兹曼方法来破译即将到来的量子材料中远离平衡的超快动力学 像 CNT 和 GeTe。在这个项目中，我建议通过以下方法增强我们的求解器：i） 人工智能 （AI） 预测参与 TDBE 散射积分的复杂超曲面形态，以及 ii） AI 辅助正交 方法。通过这些增强功能，我设想将数值成本进一步降低到 N^2，即使在中等精度下也能获得显着的收益，从而可以详细描述石墨烯中的流体动力学声子流 温度梯度，甚至适用于复杂的几何形状。该项目的成功不仅将导致石墨烯和薄石墨中声子泊塞耶流的首次建模，而且还将为重大技术开辟令人兴奋的途径 通过实现用于现代电子产品的超高散热器而取得进步。