成功上岸的师兄师姐们都说,联系导师是他们上岸过程中至关重要的步骤之一,找到适合自己的导师,与心仪导师取得联系并获得认可非常重要!从本期开始,我们将为大家介绍热门院校的导师,帮助同学们了解导师的研究方向,招收学生情况,帮助大家更好的进行申请定位! 本期,我们将为大家介绍香港城市大学的导师!
硕博申请 @ 香港城市大学(CityU)
01 · 导师简介
Matthias Hwai Yong Tan 教授本科毕业于马来西亚理工大学机械与工业工程专业,之后在新加坡国立大学获得工业与系统工程硕士学位,最后在美国佐治亚理工大学获得工业与系统工程博士学位。从他的教育背景可以看出,Tan 教授在工程领域有着深厚的理论功底和专业素养。
Tan 教授目前是香港城市大学数据科学学院的副教授,2013年起在城大担任助理教授,2018年晋升为副教授。他主要的研究方向包括统计学习、不确定性量化、物理和计算机实验的设计与分析、稳健参数设计、工程与工业统计以及贝叶斯统计等。
02 · 导师研究概况
Tan 教授的研究重点在于为工程仿真模型开发严谨的统计方法,以解决工程不确定性量化问题。他的研究通常涉及时间较长的仿真,如通过有限元方法求解时间相关的3D偏微分方程、通过有限体积法求解Navier-Stokes方程,以及计算模拟器输出相对于噪声因子输入的期望。
Tan 教授近年主持了多项由香港研究资助局资助的研究项目,包括优秀青年学者计划(ECS)和优配研究金(GRF)等。这些项目涉及不同工程和统计领域,体现了Tan教授研究的广度和深度。
03 · 研究解析
Tan 教授在顶级期刊上发表了许多高质量的学术论文,包括:
Technometrics:研究高斯过程模型在计算机实验、稳健参数设计等方面的应用
SIAM/ASA Journal on Uncertainty Quantification:提出贝叶斯多项式混沌模型选择方法以估计灵敏度指数
IIE Transactions:提出集成参数和公差优化方法,解决不确定目标函数下的工程设计优化问题
IISE Transactions:提出多目标稳健设计方法,处理具有多个功能输出的问题
这些论文展示了Tan教授在统计建模、工程优化、计算机实验等方面的创新思路和突出贡献。他的研究成果对解决实际工程问题具有重要的理论意义和应用价值。
04 ·需做哪些申请准备?
Tan 教授指出他希望招收工程、数学或统计学背景的学生攻读博士学位,申请者需要具备优秀的学业成绩。因此有意向申请的同学应该在本科和硕士阶段打好专业基础,争取取得优异的学术表现。
此外,申请者最好能展示出在相关研究领域的实践经验,如参与科研项目、发表学术论文等。这些经历可以帮助申请者脱颖而出,获得导师的青睐。在申请时,请务必向Tan教授提交详细的个人简历,充分展示你的学术背景和研究潜力。
05 ·导师近年招收学生情况
Tan 教授目前正在招收博士生,对申请者的学术背景要求较高。从他的研究领域和发表论文来看,工业工程、运筹优化、统计学等专业的学生可能更有优势。
06 ·研究想法举例
研究题目:基于深度学习的高维复杂系统不确定性量化与优化设计
研究内容:
开发基于深度学习的高维复杂系统 metamodel,提高建模效率和精度
发展适用于深度模型的不确定性量化方法,克服传统方法的局限性
将深度学习 metamodel 与多目标优化算法相结合,实现鲁棒性和可靠性设计优化
搭建不确定性量化与优化设计的集成仿真平台,进行工程应用验证
研究意义:本研究创新性地将深度学习引入复杂系统不确定性量化,发展适用于高维强非线性问题的新理论和新方法。拟开发的集成仿真优化平台可为工业界提供实用设计工具。研究成果有望在航空航天、能源动力等关键领域得到应用,推动不确定性量化领域的智能化发展。
07 ·师兄师姐有话说
申请经验:申请 Matthias Tan 教授课题组,需要对不确定性量化、工程统计等领域有浓厚兴趣,并具备扎实的数理统计和编程基础。
建议仔细阅读 Tan 教授的代表性论文,深入理解其研究思路和技术方法。在个人陈述中,重点阐述自己对不确定性量化领域的认识和研究兴趣,展示相关项目经历、数据分析能力和编程技能,并针对 Tan 教授的研究工作提出自己的想法和见解。
推荐信中,请熟悉自己研究工作的导师或合作者详细评价学术能力和研究潜质。如有机会与 Tan 教授交流,要充分展示对不确定性量化领域的热情和贡献研究工作的强烈意愿。
创新思考:不确定性量化在工程设计和优化中日益重要。传统方法面临计算成本高、精度低等挑战。将机器学习引入不确定性量化,发展数据驱动的建模、量化和优化技术,是值得探索的研究方向。利用深度神经网络构建高维复杂系统的 metamodel,发展新颖的概率分布学习和灵敏度分析方法,将深度 UQ 与多学科设计优化结合,有望在强化系统鲁棒性和可靠性设计方面取得突破。
不确定性量化正处于从传统的模型驱动向数据驱动转变的关键期。在 Tan 教授指导下探索机器学习、优化设计与 UQ 的交叉融合,将开拓 UQ 理论和方法的新境界,助力智能制造时代复杂工程系统的设计。