伦斯勒理工学院（RPI）是美国东部著名的私立研究型大学，建立于1824年，是整个英语系国家最早的理工科大学。根据2023年 US News全美排名，伦斯勒理工学院综合排名位列全美第51，计算机科学排名全美第60，计算机工程排名全美42，工程学院排名全美51。学校发展前景非常好，2022年新上任的校长Martin A. Schmidt是RPI的本科校友，他在上任校长之前是MIT的教务长（Provost）。

RPI的计算机系正处于快速扩张的阶段。今年刚招聘了4位新的教授，并计划在5年内再招聘10名教授。学校计算资源充足，其中AiMOS超级计算机集群（https://cci.rpi.edu/aimos）拥有近2000块V100GPU，并且正在计划增加更多更先进的GPU。

RPI和IBM Research在AI相关研究上有非常紧密的合作关系，两者合作建有AIRC（https://airc.rpi.edu/）研究中心。优秀的PhD学生有机会被评选为Artificial Intelligence Horizons (AIH) Scholars，从而获得来自RPI的教授以及IBM的知名学者的联合指导。同时，每年还有十分充足的机会让学生去IBM Research进行暑期实习。

学校位于美国纽约州首府奥尔巴尼（Albany）附近的特洛伊（Troy）距离纽约267公里（166英里）离波士顿275公里（172英里）当地每天都有多班火车2.5小时直达纽约市中心。

奥尔巴尼以及周边的首府地区（Capital Region）正在逐渐成为美国重要的芯片研发中心。Albany NanoTech Complex拥有价值200亿美元的完备设施来进行世界上最先进的半导体研究。IBM Research AI Hardware Research Center也位于Albany。这给半导体以及AI相关的学生提供了丰富的实习以及就业的机会。

马耀

马耀博士（https://web.njit.edu/~ym329/）2021年于密歇根州立大学取得计算机博士学位，现为新泽西理工学院助理教授。他将于2023年7月入职伦斯勒理工学院（RPI）计算机系。

他是密歇根州立大学杰出博士生奖以及 NSF CRII Award获得者。他的论文多次发表在机器学习，数据挖掘的顶级会议和期刊（如ICLR，ICML，KDD，NeurIPS， WWW，SIGIR和TKDE等）。他是AAAI图神经网络和KDD图深度学习教学讲座的主要组织者和演讲者，这些教学讲座都获得了领域内外的巨大关注和广泛好评。他写作了图深度学习方向的重要学术图书Deep Learning on Graphs（中文版：《图深度学习》）。本书的中英文版本都广受欢迎，好评。

研究方向

马耀博士目前的研究领域为数据挖掘和机器学习，他最近的主要研究方向如下。

• Learning and Mining with Graphs, Graph Neural Networks

• Trustworthy AI: Robustness, Fairness, Privacy

• Data-Centric AI: Data Augmentation, Active Learning, Data Valuation, Data Condensation

招生简介

● 招收多名2024年春季或秋季入学的博士生，提供全额奖学金（TA/RA）。

● 招生多名实习生，随时开始，长期有效。优秀的实习生将获得相应的补助。

特别欢迎有计算机，数学，统计，电子电气等学科背景的同学申请。实验室资金充足，并且有丰富的计算资源。

有意向的同学请发送邮件联系，投递邮箱：[email protected]

邮件建议：

1） 邮件主题建议为如下格式：PhD/Intern Open Position {名字}

2） 请附上你的简历以及成绩单

3） 请附上一小段你的自我介绍以及研究兴趣

符天凡

符天凡博士 (https://futianfan.github.io/) 将于2024年一月加入伦斯勒理工学院（RPI）计算机系担任助理教授。Dr. Fu 从佐治亚理工学院 (Georgia Tech) 获得了博士学位 (师从 Prof. Jimeng Sun)，并从上海交大计算机系获得本科(师从Prof. Kai Yu, Prof. Yanmin Qian)和硕士学位 (师从Prof. Zhihua Zhang)。

Dr. Fu的学术成果发表于期刊/会议如：Nature, Nature Chemical Biology, Cell Patterns, Bioinformatics；AAAI, AISTATS, ICLR, KDD, NeurIPS, UAI。此外，Dr. Fu还致力于社区建设：共同领导“深度学习”中文版（花书）的翻译；共同组织了前三届AI for Science研讨会；参与了一系列开源项目的开发。

实验室介绍:

Dr. Fu 领导的实验室 (AIDrugLab) 资金/计算资源充足。未来几年 AIDrugLab主要致力于

- 生成模型用于药物设计。

- 生成模型用于药物合成。

- 基因数据（尤其是单细胞分析）

- 临床试验。

- 大语言模型 Large language model（LLM）for drug

申请要求：

- 对科学研究有很强热情，欢迎不同背景的朋友申请。

- 实习生将获得相应的推荐信。如符合绿卡申请要求，可帮助申请绿卡。优秀的实习生将会获得补助。

- 访问学者/实习生可以远程工作。

所需材料：

感兴趣的朋友可以填写如下链接：https://forms.gle/eBCinkw4VbBqE4f66  请发送简历到 Dr. Fu: [email protected] 邮件标题为 Prospective Student。

胡子牛

胡子牛博士 2023 年于加州大学洛杉矶分校（UCLA）获得博士，毕业后在加州理工担任博士后，并兼职 Google 访问学者 (Visiting Faculty)；他将于 2024 年一月加入伦斯勒理工计算机系。

在博士期间他获得百度奖学金和亚马逊奖学金，开发的模型被部署在 Microsoft Graph，facebook social service和Google Youtube Shorts等工业应用。

他的研究获得了多个奖项，包括 WWW'19 最佳论文奖、DLG-KDD'20 workshop 最佳学生论文奖和 SoCal-NLP'22 最佳论文奖。

研究方向：

我的大体研究方向是希望尝试把深度学习模型和传统的符号推理框架进行结合。在博士期间我主要关注在知识图谱与语言模型的结合，尝试让模型拥有获取外部知识、进行逻辑推理、以及自由使用工具和API的能力。

未来几年，我会关注以下研究方向：

1）大语言模型（LLM）与结构化数据（包括知识图谱，数据库，以及 Tooling & Program)的结合，及其在 Science、biomedical 等领域的应用；

2）可微分的神经符号推理 (Differentiable Neural-Symbolic AI) 在博士期间我主要尝试在知识图谱上的推理，我希望能将这系列的工作拓展到更多领域，包括control、planning等。

3）针对结构化数据（图、分子、音乐等）的生成模型（diffusion+）

4）大规模图表征学习（Graph Representation Learning）和高效的稀疏化Transformer模型。这两个方向很相关，如何能让模型针对长文本输入学会稀疏的关联图，引入memory & recurrent机制让模型能处理非常大的图、文本输入。

如果对我的研究感兴趣，希望交流一下机会（我们可以先从一起合作感兴趣的project开始，支持远程实习），请先填写：https://forms.gle/HZMroj7Y9sRkULhA9

之后发送简历给我的邮箱: [email protected]，邮件开头: Prospective Students_YourName。如果有时间，建议先看一些我之前的工作，看看是否感兴趣。

更多内容，点击下方关注：