上海期智研究院PI,清华大学交叉信息研究院助理教授。
加入清华之前,于2021年从MIT计算机系获得博士学位并担任博士后。于2015和2013年分别从斯坦福大学计算机系和清华大学软件学院获得硕士和学士学位。研究方向为计算机图形学。研究工作结合物理仿真、机器学习、数值优化方法理解和设计动力系统,其相关成果发表于图形学和机器学习顶级会议如SIGGRAPH,ICLR,ICML,NeurIPS等。
个人荣誉
NeurIPS优秀审稿人(2021,2022)
ICML优秀审稿人(2022)
计算设计:利用计算方法自动设计动力系统
物理仿真:结合第一性原理与机器学习的多物理系统仿真方法
成果:物理仿真中的深度学习方法
快速、高精度的复杂多物理系统仿真在众多关键学科前沿有着重要应用。针对此类系统的传统数值算法(如有限元)存在计算量巨大、运行速度缓慢的缺陷。近年来兴起的一系列结合深度学习的物理仿真算法为创建快速物理仿真器提供了新思路,但往往缺乏传统数值方法所具备的正确性和可解释性。如何构建兼具速度和物理精确性的大规模多物理仿真器是一个尚未完全解决的问题,在这一方向的突破将为通用人工智能、虚拟现实、机器人等学科的重要应用带来新的契机。
我们在SIGGRAPH 2023会议上开设的《物理仿真中的深度学习方法》课程对物理仿真与深度学习的发展前沿进行了回顾与探讨。该课程讨论如何结合物理第一性、数值计算方法、以及现代深度学习模型构建新一代的物理仿真算法,并介绍研究组的相关成果:我们与麻省理工学院合作的 ICML 2023 论文观察到深度学习模型在物理仿真速度上的优势和精度上的缺陷,提出了利用图神经网络模型作为数值求解器预优矩阵的新思路,兼具传统数值方法的精确性和深度学习模型带来的速度优势。
研究领域:计算机图形学
项目网站:
https://dl.acm.org/doi/abs/10.1145/3587423.3595518
https://people.csail.mit.edu/yichenl/projects/preconditioner/
研究论文:
Deep Learning for Physics Simulation. Tao Du. SIGGRAPH 2023 Course
Learning Preconditioners for Conjugate Gradient PDE Solvers. Yichen Li, Peter Yichen Chen, Tao Du, Wojciech Matusik. ICML 2023. 查看PDF
5. Qiqin Le, Yitong Deng, Jiamu Bu, Bo Zhu, Tao Du, Second-Order Finite Elements for Deformable Surfaces, SIGGRAPH Asia (Technical Paper), 2023 查看PDF
4. Tao Du, Deep Learning for Physics Simulation, SIGGRAPH (Courses), 2023 查看PDF
3. Yichen Li, Peter Yichen Chen, Tao Du, Wojciech Matusik, Learning Preconditioners for Conjugate Gradient PDE Solvers, International Conference on Machine Learning (ICML), 2023 查看PDF
2. Pingchuan Ma, Peter Yichen Chen, Bolei Deng, Joshua B. Tenenbaum, Tao Du, Chuang Gan, Wojciech Matusik, Learning Neural Constitutive Laws from Motion Observations for Generalizable PDE Dynamics, International Conference on Machine Learning (ICML), 2023 查看PDF
1. Sizhe Li*, Zhiao Huang*, Tao Chen, Tao Du, Hao Su, Joshua B. Tenenbaum, Chuang Gan, DexDeform: Dexterous Deformable Object Manipulation with Human Demonstrations and Differentiable Physics, International Conference on Learning Representation (ICLR), 2023 查看PDF