刘子鸣
助理教授
研究兴趣在AI和Science的交叉领域
教育/工作背景
• 2020年，于北京大学物理学院获得学士学位；
• 2021年-2025年，于麻省理工学院物理系获得博士学位（导师是Max Tegmark）
• 2025-2026年，于斯坦福大学与Enigma担任博士后研究员（合作导师为Andreas Tolias教授）
• 2026年4月-至今，于清华大学人工智能学院，担任助理教授。
研究方向
研究兴趣在AI和Science的交叉领域，包括：
• Science for AI：利用科学启发构建AI模型（比如KAN，Poisson Flow, Brain-inspired networks）。未来感兴趣的方向：可形变的神经网络，物理启发的生成模型等等。
• Science of AI: 利用科学方法和科学理论理解现有的AI模型（比如理解Grokking，Neural Scaling Laws, Neural Thermodynamic Laws）。未来感兴趣的方向：大模型的科学，机制可解释性。
• AI for Science：利用AI加速科学发现（比如发现守恒律AI Poincare）。未来感兴趣的方向：通过广泛阅读基础科学里的问题，识别潜在能被AI解决的大问题。
入职清华后，刘子鸣助理教授将着重推进发展一套务实的AI理论（即“AI的物理学”），并致力于将其构建进Agent系统。当前的Agent能够自动进行实验，但仍不具有顶尖研究者的直觉和品味——如何解释实验、设计实验、好奇心驱动，这将是AI for AI下半场要解决的问题。
研究成果
• 刘子鸣助理教授提出Kolmogorov-Arnold Networks, 该模型自2024年一经推出，就获得了广泛的关注，GitHub上获星1.5万颗，引用次数四千余次。他还提出了基于电场的生成模型Poisson Flow、和更普适的框架PFGM++和GenPhys, 指出扩散模型只是一个大家族模型中的一个特例。他也是第一个提出Grokking现象的解释。
• 刘子鸣助理教授博士期间工作发表在机器学习领域顶级会议（包括 NeurIPS、ICML、ICLR等），和物理学杂志上（包括Nature、PRL、PRX），谷歌学术总引用超过9000 次。曾获谷歌博士奖学金。工作被国际媒体广泛报道，包括Scientific American, Quanta Magazine (三次)，New Scientist等。
代表性工作介绍
刘子鸣助理教授的代表性工作之一是Kolmogorov–Arnold Networks（KAN），一种兼具可解释性与高精度的新型神经网络架构。KAN 受到 Kolmogorov–Arnold 表示定理的启发，通过以可学习的一元函数替代传统神经元中的固定非线性，使网络结构更接近物理学中的解析表达形式，从而在保持模型表达能力的同时显著提升可解释性，为连接神经网络与科学建模提供了新的视角。目前KAN已经在AI For Science、Finance、Simulation、Symbolic regression等领域获得了广泛的应用。