研讨会
BioProAgent:神经符号约束下的科学规划框架
一个神经符号框架,用确定性有限状态机(FSM)锚定LLM规划,确保湿实验室自动化的可靠性。 在不可逆实验中实现 95.6% 物理合规性。
- 状态增强规划:设计-验证-纠正工作流,确保硬件合规
- 语义符号接地:通过符号抽象降低 6 倍 token 消耗
- 95.6% 物理合规性 vs ReAct 的 21.0%
我目前是北京大学深圳研究生院 信息工程学院的,一名 计算机科学与技术学科 博雅博士后(2024年7月至今), 导师为田永鸿教授(国家杰出青年科学基金获得者)。
我于2024年6月在中国科学院沈阳自动化研究所(机器人学国家重点实验室)获得 模式识别与智能系统专业的 工学博士学位, 导师为丛杨教授(国家杰出青年科学基金获得者)。 2022年9月至2023年9月,受国家留学基金委(CSC)资助,我在西班牙 巴塞罗那自治大学计算机视觉研究中心(CVC)进行访问研究, 合作导师为Joost van de Weijer教授 (2021年全球AI研究者Top 2%)。
持续学习、高效参数微调、计算机视觉(2D/3D)、AI4Science、具身智能
TPAMI, TRO, TMM, TCSVT, TNNLS, CVPR, ICCV, ICLR, NeurIPS, ICML, AAAI, ECCV 审稿人
近期预印本、系统演示和进行中的项目
研讨会
一个神经符号框架,用确定性有限状态机(FSM)锚定LLM规划,确保湿实验室自动化的可靠性。 在不可逆实验中实现 95.6% 物理合规性。
深度整合算力、数据、模型、实验四大要素。我们自主研发了AI4S原生多智能体系统BIOMA, 实现"理论预测→实验设计→自动化执行→数据分析"全链路闭环。
预印本
首个用于理解和推理生物实验方案的大规模多任务基准测试, 加速开发真正理解实验室流程的大语言模型,提高自动化工作流程的可重复性和安全性。
综述
视觉语言模型(VLM)如何在不灾难性遗忘先验知识的情况下持续学习并保持参数效率? 首次系统评审VLM-CL领域,开发终身视觉语言系统的关键参考。
完整列表请见 Google Scholar →
* 共同一作 · † 通讯作者
大模型驱动下科学实验具身智能学习方法研究
面向预训练基础模型的高效持续学习方法研究
AIGC内容篡改检测与定位方法研究
灵巧准确操作技能学习平台验证
深圳市博士后发展促进会
中国博士后科学基金会
ICCV 2023 视觉持续学习挑战赛
教育部 & 国家留学基金委
中国科学院大学
全国大学生电子设计竞赛