机器之心原创

2021/12/16 09:44

小舟、陈萍编辑

英伟达研究生奖学金名单公布：多位华人获选，每人5万美元

共有 10 位博士生获得 2022-2023 学年英伟达研究生奖学金。

二十年来，面向全球申请者开放的英伟达研究生奖学金计划一直致力于为基于 GPU 工作的学生提供支持。现在，英伟达宣布了 2022-2023 学年研究生奖学金的获得者。

2022-2023 学年英伟达研究生奖学金共授予 10 位参与 GPU 计算研究的博士生，每人最高可获得 50000 美元。

这些研究者从事着 GPU 计算领域最前沿的研究工作，具体包括深度学习、机器人技术、计算机视觉、计算机图形学、架构、电路、高性能计算、生命科学和编程系统方面的项目。

英伟达首席科学家 Bill Dally 曾说：「我们的奖学金获得者是世界上最有才华的一些研究生，他们正在研究计算机科学中一些最重要的问题，我们很高兴能够支持他们的研究。」

2022-2023 学年研究生奖学金获得者

获得 2022-2023 学年英伟达研究生奖学金的 10 位博士生分别来自斯坦福大学、德克萨斯大学奥斯汀分校、华盛顿大学、麻省理工学院、卡内基梅隆大学、加州大学圣塔芭芭拉分校、哈佛大学、康奈尔大学。

斯坦福大学 Davis Rempe

个人主页：https://davrempe.github.io/

Davis Rempe，是斯坦福大学计算机科学专业的博士生，师从 Leonidas Guibas 教授，主要研究方向为建模 3D 运动以解决姿态估计、形状重建和运动预测，从而使得智能系统能够理解动态 3D 物体、人和场景。

Davis Rempe 曾在 NVIDIA、Adobe 和 Snap 实习。在内布拉斯加大学林肯分校获得学士学位，并辅修物理。

德克萨斯大学奥斯汀分校 Hao Chen

个人主页：https://baloneymath.github.io/

Hao Chen 为德克萨斯大学奥斯汀分校电气和计算机工程专业的博士生，师从 David Z. Pan 教授，在 UTDA 实验室做研究。Hao Chen 主要研究方向是开发下一代 VLSI（超大规模集成电路）物理合成工具，该技术能够在先进的制造节点，特别是在模拟 / 混合信号电路中生成高质量的布局。

Hao Chen 曾在 ICCAD 2018 CAD 竞赛中获得三等奖，在 ISPD 2018 的 Initial Details Routing 竞赛中获得三等奖。Hao Chen 曾在 Synopsys 和 NVIDIA Research 实习。

华盛顿大学 Mohit Shridhar

个人主页：https://mohitshridhar.com/

Mohit Shridhar 是华盛顿大学的博士生，师从 Dieter Fox 教授。在此之前，他是新加坡国立大学的一名研究员。Shridhar 主要兴趣是人机交互，计算机视觉，自然语言处理和机器学习。其主要贡献是将语言与基于视觉的机器人感知和行动联系起来，其中视觉和语言的表示是通过具体交互而不是静态数据集来学习的。

Mohit Shridhar 于新加坡国立大学获得计算机工程学士学位，在读本科期间，Shridhar 在斯坦福大学待了一年，还曾在一家 YCombinator AR 初创公司实习。

麻省理工学院 Sai Praveen Bangaru

个人主页：https://people.csail.mit.edu/sbangaru/

Sai Praveen Bangaru 为麻省理工学院的博士生，师从 Fredo Durand 教授。同时还与 Tzu-Mao Li 教授、Jonathan Ragan-Kelley 教授进行密切合作。他的主要研究方向是可微模拟方法，更具体的说，是可微渲染及其在计算机视觉和感知中的应用。目前，Bangaru 正在积极研究的主题包括：可微分编程的编译器、实时路径跟踪、神经渲染和基于物理的建模。

在此之前，Bangaru 曾在 CMU 做过 6 个月的研究员，也曾在 INRIA 实习过。

加州大学圣塔芭芭拉分校 Shlomi Steinberg

个人主页：https://ssteinberg.xyz/

Shlomi Steinberg 是加州大学圣塔芭芭拉分校的博士生，师从 Lingqi Yan 教授。Steinberg 主要研究兴趣介于计算机图形学和计算电动力学之间。Steinberg 主要研究目标是为物理光传输开发理论、分析模型和计算工具。

斯坦福大学 Sneha Goenka

个人主页：https://stanford.edu/~gsneha/

Sneha Goenka 是斯坦福大学电气工程系博士四年级的学生，导师是 Mark Horowitz 教授。Sneha Goenka 的研究兴趣包括计算机架构和计算生物学，致力于通过软硬件协同设计探索基因组分析管道，实现遗传疾病的超快速诊断并加速大规模比较基因组分析。

卡内基梅隆大学 Yufei Ye

个人主页：https://www.ri.cmu.edu/ri-people/judy-yufei-ye/

Yufei Ye 是卡内基梅隆大学机器人研究所的一名博士生，她的研究兴趣是构建能够感知对象之间物理交互、理解与物理世界交互的结果以及预测特定交互潜在影响的智能体。

加州大学圣塔芭芭拉分校 Yuke Wang

个人主页：https://www.wang-yuke.com/

Yuke Wang 是加州大学圣塔芭芭拉分校计算机科学系的一名博士生，导师是丁雨霏助理教授。Yuke Wang 的研究兴趣包括高性能计算和深度学习算法，致力于研发新算法和系统级设计优化，以加速深度神经网络、图神经网络等深度学习工作负载。

哈佛大学邓云天

Yuntian Deng 是哈佛大学的一名博士生，本科毕业于清华大学。他的研究兴趣是使用深度生成模型开发可扩展、可控和可解释的自然语言生成方法，在长文本生成中具有潜在应用。

康奈尔大学 Zekun Hao

个人主页：http://www.cs.cornell.edu/~zekun/

Zekun Hao 是康奈尔大学一名博士四年级的学生，导师是 Serge Belongie 教授。Zekun Hao 的研究兴趣包括机器学习及其在计算机视觉和计算机图形学中的应用，特别是对开发辅助 2D/3D 内容创建的无监督模型感兴趣。

此外，还有 5 位博士生获得 2022-2023 学年英伟达研究生奖学金提名，他们分别是：

香港大学 Enze Xie
卡内基梅隆大学 Gokul Swamy
斯坦福大学 Hong-Xing (Koven) Yu
斯坦福大学 Suyeon Choi
图宾根大学 Yash Sharma

参考链接：https://blogs.nvidia.com/blog/2021/12/14/graduate-fellowship-awards-2/

入门奖学金英伟达

相关技术

知识图谱

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

计算机图形技术

图像数据处理、计算机图像（英语：Computer Graphics）是指用计算机所创造的图形。更具体的说，就是在计算机上用专门的软件和硬件用来表现和控制图像数据。

来源：维基百科

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

感知技术

知觉或感知是外界刺激作用于感官时，脑对外界的整体的看法和理解，为我们对外界的感官信息进行组织和解释。在认知科学中，也可看作一组程序，包括获取信息、理解信息、筛选信息、组织信息。与感觉不同，知觉反映的是由对象的各样属性及关系构成的整体。

来源：维基百科

计算机视觉技术

计算机视觉（CV）是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

来源：机器之心

机器人技术技术

机器人学（Robotics）研究的是「机器人的设计、制造、运作和应用，以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。机器人可以分成两大类：固定机器人和移动机器人。固定机器人通常被用于工业生产（比如用于装配线）。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器；另外还有能够实现感知能力的软件，比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成，这也是人工智能领域最早的终极目标之一。

来源：机器之心

深度生成模型技术

深度生成模型基本都是以某种方式寻找并表达（多变量）数据的概率分布。有基于无向图模型（马尔可夫模型）的联合概率分布模型，另外就是基于有向图模型（贝叶斯模型）的条件概率分布。前者的模型是构建隐含层(latent)和显示层（visible)的联合概率，然后去采样。基于有向图的则是寻找latent和visible之间的条件概率分布，也就是给定一个随机采样的隐含层，模型可以生成数据。生成模型的训练是一个非监督过程，输入只需要无标签的数据。除了可以生成数据，还可以用于半监督的学习。比如，先利用大量无标签数据训练好模型，然后利用模型去提取数据特征（即从数据层到隐含层的编码过程），之后用数据特征结合标签去训练最终的网络模型。另一种方法是利用生成模型网络中的参数去初始化监督训练中的网络模型，当然，两个模型需要结构一致。

来源：机器之心 UT

图神经网络技术

图网络即可以在社交网络或其它基于图形数据上运行的一般深度学习架构，它是一种基于图结构的广义神经网络。图网络一般是将底层图形作为计算图，并通过在整张图上传递、转换和聚合节点特征信息，从而学习神经网络基元以生成单节点嵌入向量。生成的节点嵌入向量可作为任何可微预测层的输入，并用于节点分类或预测节点之间的连接，完整的模型可以通过端到端的方式训练。

来源：机器之心

自然语言处理技术

自然语言处理（英语：natural language processing，缩写作 NLP）是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

来源：维基百科

自然语言生成技术

自然语言生成（NLG）是自然语言处理的一部分，从知识库或逻辑形式等等机器表述系统去生成自然语言。这种形式表述当作心理表述的模型时，心理语言学家会选用语言产出这个术语。自然语言生成系统可以说是一种将资料转换成自然语言表述的翻译器。不过产生最终语言的方法不同于编译程式，因为自然语言多样的表达。NLG出现已久，但是商业NLG技术直到最近才变得普及。自然语言生成可以视为自然语言理解的反向：自然语言理解系统须要厘清输入句的意涵，从而产生机器表述语言；自然语言生成系统须要决定如何把概念转化成语言。

来源：维基百科

人机交互技术

人机交互，是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器，也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流，并进行操作。小如收音机的播放按键，大至飞机上的仪表板、或是发电厂的控制室。

来源：维基百科

深度神经网络技术

深度神经网络（DNN）是深度学习的一种框架，它是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。

来源：机器之心 Techopedia

文本生成技术

文本生成是生成文本的任务，其目的是使人类书写文本难以区分。

来源：paperswithcode

姿态估计技术

姿势估计是指检测图像和视频中的人物形象的计算机视觉技术，以便确定某人的某个肢体出现在图像中的位置。