Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

人均6万美元:2024英伟达奖学金名单公布,五位华人入选

「他们是全球最有才华的博士生。」

本周五,备受期待的英伟达奖学金公布了入选者名单。

二十多年来,英伟达研究生奖学金计划(NVIDIA Graduate Fellowship Program)一直为研究生提供与英伟达技术相关的杰出工作支持。英伟达迄今为止已向近 200 名学生提供了 600 万美元的资助,推动了机器学习计算机视觉、机器人和系统编程等领域的研究工作。

今年的奖学金计划向参与计算创新所有领域研究的 10 名博士生提供每人高达 6 万美元的奖学金。

图片

英伟达奖学金面向全球学者,每年都会出现激烈的竞争,今年的候选人就超过了 500 名,最终入选的十人中有五位华人。

据介绍,获奖者将在奖学金年度之前进入英伟达进行暑期实习,他们参与的工作处于加速计算的最前沿 —— 包括深度学习、机器人、计算机视觉计算机图形电路、自动驾驶和编程系统等项目。

英伟达首席科学家 Bill Dally 表示,英伟达奖学金的获得者是全球最有才华的研究者,他们正在研究的科学问题至关重要。

十名入选者

2024-2025 年度奖学金的获得者包括:

Bailey Miller

图片

来自卡内基梅隆大学(CMU)。

研究方向:开发用于物理模拟的实用蒙特卡罗方法,以匹配蒙特卡罗渲染算法的可扩展性和鲁棒性,专注于设计易于微分的加速随机游走方法,并使用体积模型来处理棘手的复杂几何形状。

Nicklas Hansen

图片

来自加利福尼亚大学圣迭戈分校(UCSD),导师为 Xiaolong Wang 与 Hao Su。

研究方向:开发数据驱动的世界模型,使机器人能够理解现实世界并与现实世界互动。

Payman Behnam

图片

来自佐治亚理工(Georgia lnstitute of Technology),导师为 Alexey Tumanov。

研究方向:机器学习和系统交叉点的高性能、低延迟和节能设计。

Reinhard Wiesmayr

图片

来自苏黎世联邦理工学院(ETH ZUrich)。

研究方向:无线通信系统的机器学习辅助信号处理方法。

Songwei Ge

图片

来自马里兰大学(University of Maryland, College Park),导师为黃嘉斌(Jia-Bin Huang)和 David Jacobs。

研究方向:应用于图像和视频的生成模型,他致力于开发内容生成的合成方法、人类提供指导的可控创建过程以及促进人类参与的易于交互的界面。

Toluwanimi Odemuyiwa

图片

来自加利福尼亚大学戴维斯分校(UC Davis),导师为 John Owens。

研究方向:使用张量代数语言为图算法设计端到端抽象和框架,从与平台无关的计算声明性描述到特定于平台的实现。

Yiming Li

图片

来自纽约大学,导师为冯晨(Chen Feng)。

研究方向:开发稳健、高效和可扩展的人工智能算法,用于根据高维感官输入进行 3D 场景解析和决策,并整理大规模数据集,以有效地训练和验证这些用于自主机器人的算法。

赵岳(Yue Zhao)

图片

来自得州大学奥斯汀分校(University of Texas, Austin),导师为 Philipp Krähenbühl。

研究方向:将机器学习算法在工作站级硬件上进行训练,并部署在笔记本电脑和移动设备等日常设备上,以实现广泛使用、训练和协作共享。

李志琦(Zhiqi Li)

图片

来自南京大学,导师为路通(Tong Lu)。

研究方向:开发以视觉为中心的自动驾驶感知方法。

叶子豪(Zihao Ye)

图片

来自华盛顿大学(University of Washington),导师为 Luis Ceze。

研究方向:机器学习编译、基础模型服务系统和稀疏计算。

其他入围人选

英伟达同时公布了 2024-2025 年度奖学金的五位决赛入围人选,他们是:

Andrew Szot,来自佐治亚理工学院(Georgia lnstitute of Technology)。

Bobbi Winema Yogatama,来自威斯康星大学麦迪逊分校(University of Wisconsin Madison)。

Guanzhi Wang,来自加州理工学院(Caltech),导师为 Georgia Gkioxari 和岳益松(Yisong Yue)。

图片

Sehoon Kim,来自加州大学伯克利分校(UC Berkeley)。

Xi Deng,来自康奈尔大学(Cornell University),导师为 Steve Marschner。

图片

我们期待这些研究人员在各领域做出的贡献。

与此同时,由于临近人工智能顶会 EMNLP 与 NeurIPS,英伟达正在宣传招募实习生。英伟达资深科学家、AI Agent Group 负责人 Jim Fan 表示,在这个冬天,老黄为大家准备了刚刚出炉的 GPU。

图片

参考内容:

https://blogs.nvidia.com/blog/23rd-graduate-fellowship-awards-applications-open/

https://twitter.com/yukez/status/1733223032678674771

产业英伟达奖学金
相关数据
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。

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。

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。

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。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

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。

蒙特卡罗方法技术

蒙特卡罗方法,也称统计模拟方法,是1940年代中期由于科学技术的发展和电子计算机的发明,而提出的一种以概率统计理论为指导的数值计算方法。是指使用随机数来解决很多计算问题的方法。

信号处理技术

信号处理涉及到信号的分析、合成和修改。信号被宽泛地定义为传递“关于某种现象的行为或属性的信息(如声音、图像和生物测量)”的函数。例如,信号处理技术用于提高信号传输的保真度、存储效率和主观质量,并在测量信号中强调或检测感兴趣的组件。我们熟悉的语音、图像都可以看做是一种信号形式。因此,对于语音、图像的增强、降噪、识别等等操作本质上都是信号处理。

生成模型技术

在概率统计理论中, 生成模型是指能够随机生成观测数据的模型,尤其是在给定某些隐含参数的条件下。 它给观测值和标注数据序列指定一个联合概率分布。 在机器学习中,生成模型可以用来直接对数据建模(例如根据某个变量的概率密度函数进行数据采样),也可以用来建立变量间的条件概率分布。

推荐文章
暂无评论
暂无评论~