基本介紹
人物經歷,研究方向,主要成就,代表論文,
人物經歷
2012年於北京大學物理學院獲得學士學位；
2019年獲得美國麻省理工學院理學博士學位；
2020年-2023年4月在美國史丹福大學計算機系從事博士後研究；
2023年6月正式加入西湖大學工學院，創建西湖大學人工智慧與科學仿真發現實驗室。
研究方向
吳泰霖博士研究方向為AI與Science學科交叉的核心、普適問題，包括（1）機器學習方法用於大規模科學仿真和科學設計（流體、機械、材料科學、生命科學）,（2）機器學習方法用於科學發現（物理、生命科學）,（3）基於圖神經網路和資訊理論的表示學習。尤為突出的是，在博士和博士後期間，吳泰霖博士在科學仿真方面提出了以深度學習代理模型為核心的一系列算法，在流體力學、電漿物理等領域成數量級地加快了仿真速度，解決其多尺度、多解析度、大規模的核心挑戰。為了促進科學發現，首次提出了以AI Physicist為核心的系列算法，能夠模仿科學家發現簡單、普適的物理定律和系統內部結構。在表示學習方面，吳泰霖提出的圖信息瓶頸大幅提高了圖表示學習的魯棒性。
主要成就
吳泰霖的工作正被用於流體、材料等的大規模仿真，以及物理、天文等領域的科學發現中。其工作發表在NeurIPS、ICLR、UAI等機器學習頂級會議以及物理學頂級期刊上，並被MIT Technology Review等報導。吳泰霖博士也是美國國家科學院院刊（PNAS）、Nature Communications、Nature Machine Intelligence、Science Advances等國際期刊，以及NeurIPS、ICML、ICLR等機器學習頂級會議的審稿人。
代表論文
（*代表共同一作）
1. Tailin Wu, Max Tegmark. “Toward an Artificial Intelligence Physicist for Unsupervised Learning.” Physical Review E, 2019, 100(3).
★ Spotlight for PRE Machine Learning for Physics. Featured in MIT Technology Review.
2. Tailin Wu*, Takashi Maruyama*, Qingqing Zhao*, Gordon Wetzstein, Jure Leskovec. “Learning Controllable Adaptive Simulation for Multi-scale Physics.” ICLR 2023.
★ Notable Top-25%.
3. Tailin Wu, Takashi Maruyama, Jure Leskovec. “Learning to Accelerate Partial Differential Equations via Latent Global Evolution.” NeurIPS 2022.
4. Tailin Wu*, Hongyu Ren*, Pan Li, Jure Leskovec. “Graph Information Bottleneck.” NeurIPS 2020.
5. Tailin Wu, Megan Tjandrasuwita, Zhengxuan Wu, Xuelin Yang, Kevin Liu, Rok Sosic, Jure Leskovec. “ZeroC: A Neuro-Symbolic Model for Zero-shot Concept Recognition and Acquisition at Inference Time.” NeurIPS 2022.
6. Tailin Wu, Ian Fischer. “Phase Transitions for the Information Bottleneck in Representation Learning.” ICLR 2020.
7. Tailin Wu, Qinchen Wang, Yinan Zhang, Rex Ying, Kaidi Cao, Rok Sosic, Ridwan Jalali, Hassan Hamam, Marko Maucec, Jure Leskovec. “Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator.” SIGKDD 2022.
8. Tailin Wu, Michael Sun, H.G. Jason Chou, Pranay Reddy Samala, Sithipont Cholsaipant, Sophia Kivelson, Jacqueline Yau, Zhitao Ying, E. Paulo Alves, Jure Leskovec, Frederico Fiuza. “Learning Efficient Hybrid Particle-continuum Representations of Non-equilibrium N-body Systems.”, NeurIPS 2022 AI for Science: Progress and Promises Workshop.
9. Tailin Wu, Thomas Breuel, Michael Skuhersky, Jan Kautz. “Nonlinear Causal Discovery with Minimum Predictive Information Regularization.” ICML 2019 Time Series Workshop.
★ Best Poster Award.
10. Tailin Wu, Ian Fischer, Isaac L.Chuang, Max Tegmark. “Learnability for the Information Bottleneck”, Entropy, 2019, 21(10): 924.
11. Guangwei Si, Tailin Wu, Qi Ouyang, Yuhai Tu. “Pathway-based Mean-field model for Escherichia coli Chemotaxis.” Physical Review Letters, 2012.07, 109(4): 048101-048105.
12. Curtis G. Northcutt*, Tailin Wu*, Isaac L. Chuang. “Learning with Confident Examples. “Rank Pruning for Robust Classification with Noisy Labels.” UAI 2017.
13. Silviu-Marian Udrescu, Andrew Tan, Jiahai Feng, Orisvaldo Neto, Tailin Wu, Max Tegmark. “AI Feynman 2.0: Pareto-optimal Symbolic Regression Exploiting Graph Modularity.” NeurIPS 2020 Oral.
