科学研究
LIU lab
PI：Ziming LIU
研究方向：AI+Science
课题组简介
我们立志于解决科学（Science）和人工智能领域（AI）的基础大问题。我们不限制解决方案，但目前觉得AI+Science的范式特别有前景——Science可以帮助AI从经验主义过渡到科学，让研究者能够科学地理解和设计AI；而AI补足传统Science的短板，给Science带来新的范式。
AI领域的大问题：
1. Science for AI: 让AI具有人的能力（AI不一定要类人，但是至少需要有人的能力！）。这包括视觉推理，物理推理，从少样本学习的能力，快速适应的能力。我们希望从更基础的角度——表征学习，信息论（智能即压缩），脑科学启发等，研发新的模型和算法，开创出一条不同于当前规模定律的道路。
2. Science of AI: AI的科学理论。我们希望从科学研究的方法论出发，从可控性强的“玩具”实验中获得启发，构建相关的AI理论（模型），并且通过这些模型启发设计出更好的算法。具体地，我们希望能更科学地理解和控制当前流程中的各个元素——模型，目标函数，优化，数据，以及各种神奇的现象——Grokking，Neural Scaling Laws等。
Science领域的大问题：
1. AI for fundamental science: 涌现（Emergence）。涌现和很多科学上的谜题都有直接或间接的关系——比如希尔伯特第六问题，高温超导，可控核聚变。这些问题/系统之所以复杂，是因为研究涌现的科学工具非常有限，而AI现在提供了一种新的工具、带来了新的可能。
2. AI for everyday science: AI assistants。辅助日常任务，比如智能地做数据分析和可视化，根据数据提出假设和验证方案，等等。
代表性论文
Science for AI:
▪ KAN: Kolmogorov-Arnold Networks, ICLR 2025 (Oral)
▪ Poisson Flow Generative Models, NeurIPS 2022
▪ Seeing is Believing: Brain-inspired Modular Training for Mechanistic Interpretability, Entropy (2023)
Science of AI:
▪ Towards Understanding Grokking: An Effective Theory of Representation Learning, NeurIPS 2022 (Oral)
▪ Omnigrok: Grokking Beyond Algorithmic Data, ICLR 2023 (Spotlight)
▪ The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks, NeurIPS 2023 (Oral)
AI for Science:
▪ Machine Learning Conservation Laws from Trajectories, Physical Review Letters (2021)
▪ Machine Learning Hidden Symmetries, Physical Review Letters (2022)
▪ Scientific Discovery in the Age of Artificial Intelligence (review article), Nature (2023)
课题组风格和人才培养理念
LIU lab，代表Learning、Intelligence和Universe。
• 学习是心态——研究的第一原则是基于好奇心驱动的学习，而非发表。
• 智能是目标——理解并构建智能系统
• 宇宙是方法论——实验室研究人工智能就像研究宇宙一样，也就是从基本原理开始拆解和构建事物，在实验与理论之间取得平衡。
课题组成员
-
唐晨成
1159961916@qq.com
-
屈清宇
qingyuqu0@gmail.com