张景昭

上海期智研究院PI，清华大学交叉信息研究院助理教授。

博士毕业于麻省理工学院计算机科学专业，曾获伯克利研究生奖学金，MIT Lim奖学金，IIIS青年学者奖学金, MIT最佳AI&Decision Making 硕士论文， MIT 最佳 AI & Decision Making 博士论文 等奖项。 研究主要包含大规模优化算法，神经网络训练，算法复杂性分析，机器学习理论，以及人工智能应用。

个人荣誉

IIIS青年学者奖学金 

麻省理工学院最佳人工智能和决策硕士论文 

麻省理工学院最佳人工智能和决策博士论文 

伯克利研究生奖学金 

麻省理工学院Lim研究生奖学金 

机器学习理论：计算问题的信息、样本复杂度上下界

深度学习：神经网络的训练简化、理解和加速

动力系统：动力系统在强化学习和电池领域的应用

成果2：通过动态深度学习实现锂离子电池的真实故障检测

       准确评估锂离子电池（LiB）安全状况可以减少意外电池故障，促进电池部署并促进低碳经济。尽管人工智能最近取得了进展，但由于复杂的故障机制以及缺乏具有大规模数据集的真实测试框架，异常检测方法并未针对实际电池设置进行定制或验证。在这里，我们开发了一个用于电动汽车 (EV) LiB 异常检测的现实深度学习框架。它具有专为动态系统量身定制的动态自动编码器，并根据社会和财务因素进行配置。我们在已发布的数据集上测试了我们的检测算法，该数据集包含 347 辆电动汽车的 690,000 多个 LiB 充电片段。我们的模型克服了最先进的故障检测模型（包括深度学习模型）的局限性。此外，它还减少了预期的电动汽车电池直接故障。

       研究论文：Zhang, Jingzhao, et al. "Realistic fault detection of li-ion battery via dynamical deep learning." Nature Communications 14.1 (2023): 5940.

       论文链接：https://people.csail.mit.edu/yichenl/projects/preconditioner/

------------------------------------------------------------------------------------------------------------------------------

成果1：测地度量空间中的 Sion 极小极大定理和黎曼外梯度算法

       对于非凸非凹问题，确定鞍点是否存在或是否可近似通常很棘手。本文朝着理解一类仍然易于处理的非凸非凹极小极大问题迈出了一步。具体来说，它研究测地度量空间上的极小极大问题，这提供了通常的凸凹鞍点问题的广泛概括。论文的第一个主要结果是 Sion 极小极大定理的测地度量空间版本；我们相信我们的证明是新颖的并且可以广泛使用，因为它仅依赖于有限交集属性。第二个主要结果是测地完整黎曼流形的专门化：在这里，我们设计并分析了平滑极小极大问题的一阶方法的复杂性。

       研究论文：Zhang, Peiyuan, Jingzhao Zhang, and Suvrit Sra. "Sion’s Minimax Theorem in Geodesic Metric Spaces and a Riemannian Extragradient Algorithm." SIAM Journal on Optimization 33.4 (2023): 2885-2908.

       论文链接：https://epubs.siam.org/doi/full/10.1137/22M1505475