往下滚动｜每一屏一个方向
Research Collaboration

合作方向初探

Explore AI capabilities, skill set, existing integration approaches, and our own ideas for AI–domain integration.

数据探索 · Data Exploration

看清数据里有什么、缺什么，以及哪些变化值得继续追。

  • 比较不同实验或环境中的稳定关系
  • 补全缺失的时空数据或实验测量
  • 估计难以直接观测的中间状态
优化 · Optimisation

比较不同方案、参数和实验路径。

  • 筛选材料、配方或结构
  • 优化工艺参数、能耗和运行策略
  • 选择下一步最值得验证的问题
自动化 · Automation

把可重复的研究环节连接成稳定、可执行的流程。

Three capability areas

数据探索识别规律、状态和缺失信息
优化比较方案、参数和实验路径
自动化连接重复环节，形成可执行流程
Skill Set
可组合到不同研究项目中的通用 AI 能力
速度
缩短模拟、筛选和整理时间。
方向 1

Physics-informed ML
把已知规律带进模型

如果质量守恒、反应动力学、边界条件这些规律已经知道，就直接用上，不必全靠数据自己学。

怎么做把已知规律写进 loss、模型结构或参数关系里。
适合数据不多、实验成本高，但机理已经有一定基础。
好处模型更容易落在物理上合理的范围内。常见于流体、天气、材料、污水处理和生物过程。
Physics-guided data completion / augmentation — related research concept figure
Related work · Alvarado, V., Ying, L., Asghari, V., Hsu, S.-C., & Lee, P.-H. (2025). Modeling of a Mainstream Partial Nitrification/Anammox Process through a Hybrid Theoretical-Machine Learning Approach. ACS ES&T Water, 5(3), 1469–1480. DOI: 10.1021/acsestwater.4c01220
方向 2

Latent Scientific State
估计看不见的中间状态

有些关键状态没有传感器能直接测到，例如微生物活性或设备退化程度。可以利用水质、流量、时间变化和最终产物去估计这些中间状态。

可以估什么微生物活性、设备退化程度、疾病阶段等。
价值除了最终结果，还能多看到一层过程变化。
场景生物反应、污水管网、电池健康、疾病进展和生态系统。
核心问题哪些看不见的状态，最能解释为什么相似输入会得到不同结果？
Attention-based deep learning for PN-Anammox dynamic prediction — related research concept figure
Related work · Ji, J., Feng, Z., & Chen, S. (2025). Enhanced prediction of partial nitrification-anammox process in wastewater treatment by developing an attention-based deep learning network. Journal of Environmental Management, 374, 124012. DOI: 10.1016/j.jenvman.2024.124012
方向 3

Pathway-informed GNN
按已知作用路径建图

先把已知的生化作用路径画成图：输入物质连到可能受影响的微生物或反应状态，再连到 CH₄、H₂S 等输出。模型沿这些路径学习每条关系的强弱。

图怎么建节点表示物质、状态或产物；边表示已有或待验证的作用路径。
能回答什么除了最终预测，还能看到当前哪些路径和状态影响最大。
合作切入先用领域知识搭结构，再用实验结果修正连接和权重。
适合已有一定机制基础，但多条过程同时作用、相互竞争的系统。
Mechanism-structured GNN for sewer CH4 / H2S — related research concept figure
Related work · Hwangbo, S., Al, R., Chen, X., & Sin, G. (2021). Integrated Model for Understanding N₂O Emissions from Wastewater Treatment Plants: A Deep Learning Approach. Environmental Science & Technology, 55(3), 2143–2151. DOI: 10.1021/acs.est.0c05231
方向 4

Multimodal Scientific AI
把不同类型的数据放在一起看

同一个系统往往同时有图像、传感器、时间序列、光谱、地图和文本记录。把这些数据放在一起，可以补足单一数据源看不到的部分。

数据来源图像、时序、传感器、结构信息、文本记录。
作用不同数据源互相补位，尤其适合信息分散在不同尺度的问题。
场景材料、遥感、生物医学、环境监测和地球科学。
直观理解像医生看病：化验、影像和病史需要放在一起判断。
Explainable hybrid modeling with mechanistic knowledge + uncertainty-aware ML — related research concept figure
Related work · Ma, X., Yang, W., Zhao, H., Li, C., Zhang, T., & Tan, Q. (2026). Explainable hybrid modeling of nitrous oxide emissions in wastewater treatment: Integrating mechanistic knowledge with uncertainty-aware machine learning. Bioresource Technology, 444, 133902. DOI: 10.1016/j.biortech.2025.133902
方向 5

Generative AI / Inverse Design
从目标反推候选方案

如果目标已经比较明确，例如更高效率、更低成本或某种材料性能，可以先定义目标和约束，再生成一批值得检查的候选结构、配方或工艺方案。

输入目标性能、成本、稳定性以及其他约束。
输出一批候选结构、配方或工艺参数。
验证再用物理模型、已有数据或真实实验做筛选。
适合候选空间很大、靠人工逐一尝试不现实的问题。例如新药、蛋白质、材料、催化剂和复杂工艺设计。
Generative AI / Inverse Design concept illustration
方向 6

Active Learning / Self-driving Lab
让每轮实验更有信息量

实验昂贵、可选条件又很多时，可以根据当前结果挑下一次最值得做的实验，优先补上最不确定的部分。

怎么选优先做最可能减少不确定性、带来新信息的实验。
怎么循环新结果回来后更新模型，再重新选择下一轮实验。
目标用更少的实验，尽快缩小不确定性。适合材料、化学、生物实验和参数探索，也可以进一步接入自动化实验平台。
Active Learning / Self-driving Lab concept illustration
方向 7

Surrogate Model / Neural Operator
把慢模拟变成快速近似

高精度模拟器通常可靠，但参数扫描、实时预测和大量 what-if 情景会带来很高的计算成本。代理模型先学习原模拟器的输入—输出关系，再提供一个可高频调用的快速近似。

适合天气、海洋、地下水、材料设计和流场预测等需要频繁运行模拟的场景。
怎么验证以现有模拟器为基准，比较速度、精度和适用范围。
使用方式原模拟器保留作基准，代理模型负责高频探索和实时近似。
Surrogate Model / Neural Operator concept illustration
语言
背景