Opening

本研究团队长期招募本科实习生、硕士及博士研究生、博士后研究员、研发工程师和科研助理。博士研究生最早入学时间为 2027 年春季学期。

研究方向

我们致力于探索人工智能、脑机接口与神经影像交叉领域中的数学与算法问题，尤其关注：如何利用数据的几何结构与约束，构建可靠、高效并具有跨场景泛化能力的学习方法？

团队当前的一条核心研究主线是 SPD Matrix Learning（对称正定矩阵学习）。我们结合微分几何、优化理论与机器学习，研究协方差矩阵等结构化神经数据的表示、学习与生成，并以脑机接口、神经信号解码和神经影像分析中的实际问题检验和发展这些方法。在此基础上，团队也将探索几何人工智能、生成模型、跨模态学习及相关交叉方向。

具体研究方向与代表性工作，请参阅 Research 页面。

研究文化

我更重视问题的重要性、方法的原创性、技术深度以及研究工作的完整性，而不是论文数量本身。

团队鼓励成员围绕少数真正值得长期投入的问题持续深入，理解问题背后的数学结构与工程约束，并在长期积累中逐步形成自己的研究判断与方法体系。相比为了快速发表而进行高度碎片化的增量研究，我更希望每项工作都能够回答一个清楚而重要的问题，在方法或认识上真正向前推进一步。

我认为一篇真正有思想、有技术深度并能够推动一个问题向前发展的工作，通常比多篇彼此缺乏内在联系的论文更有价值。

因此，我不会以论文数量作为评价学生科研能力的主要标准，也不鼓励为了增加发表数量而频繁追逐热点或更换研究问题。我更看重一个研究者能否逐渐建立属于自己的问题意识、技术积累和研究方向。

研究训练与发展

团队希望培养兼具数学基础、算法能力与实际问题意识的研究者，并帮助学生逐步形成独立提出、分析和解决研究问题的能力。

研究训练将围绕数学建模、微分几何、优化、机器学习与神经数据分析展开，同时重视文献阅读、算法实现、实验设计、学术写作和研究交流。我们鼓励学生提出自己的问题，在扎实积累的基础上发展具有个人特色的研究方向。

团队与法国国家信息与自动化研究所（Inria）、美国斯坦福大学、新加坡南洋理工大学数学系以及国内深科技创业团队保持科研合作。依托这些合作关系、香港中文大学（深圳）的国际化学术环境与深圳的科技创新生态，团队将积极推动跨学科研究、国际交流与产学研合作。

无论未来选择高校、科研机构还是科技产业，我们希望团队成员获得的不只是某一项技术的使用经验，更是面对新问题时独立学习、深入思考和创造方法的能力。

我们期待的申请者

我们尤其欢迎数学基础扎实、具有独立思考能力，并愿意深入探索未知问题的申请者。

专业背景包括但不限于数学、统计学、物理学、计算机科学、自动化、生物医学工程及相关交叉学科。特别欢迎对以下方向感兴趣的同学：

数学基础与几何方法：分析学、微分几何、拓扑学、矩阵分析与优化理论；

人工智能方法：几何机器学习、表示学习、生成模型与跨域泛化；

神经数据与应用：脑机接口、神经信号解码与神经影像分析。

学生申请者不需要在加入团队之前掌握所有相关知识，也不必已有脑机接口或神经影像研究经历。相比已有的研究标签，我们更看重扎实的基础、持续学习的能力，以及对研究问题的真实兴趣。

我的主要研究积累集中在微分几何、数学优化与机器学习。对于具有其他相关背景，或希望探索新颖交叉问题的申请者，也欢迎交流；在研究需要与条件合适时，可与相关领域导师探索联合指导。

目前，团队的学术研究重点不在硬件设计、通信系统或传统软件工程。若你的主要研究兴趣集中在这些方向，本团队可能并非最合适的选择；但具有相关背景、希望转向数学建模、机器学习或神经数据算法研究的申请者，同样欢迎联系。

申请方式

请将以下材料发送至我的学校邮箱，邮件主题注明：“申请岗位／项目＋姓名＋学校／单位”。

1. 完整个人简历，包括教育背景、研究或项目经历，以及拟申请的岗位或项目。

2. 简短的研究兴趣与匹配说明：你对哪些问题感兴趣，为什么希望加入本团队，以及哪些经历能够体现你的研究潜力。如有论文、研究报告、项目成果或代码，可附上链接。

3. 成绩单及可获得的排名信息，适用于本科实习生及硕士、博士研究生申请者。

对学生申请者，我们尤其重视数学及专业核心课程的学习表现，相关成绩位于年级或专业前 10% 者优先考虑。如未达到这一范围，请附一份简短说明，介绍相关情况，以及能够体现数学基础、学习能力或科研潜力的其他经历与成果。学校不提供相关排名，可据实注明。

排名是参考，而非对研究潜力的唯一判断。我们将结合课程表现、研究经历、独立思考能力与方向匹配度进行综合评价。

我将优先与研究兴趣契合、基础扎实且具有较强研究潜力的申请者联系，安排进一步交流与面试。欢迎希望深入理解问题、发展原创方法的你加入。

Our group is recruiting undergraduate interns, master’s and PhD students, postdoctoral researchers, R&D engineers, and research assistants. The earliest PhD intake is Spring 2027.

Research

We study mathematical and algorithmic problems at the intersection of AI, brain-computer interfaces, and neuroimaging.

A central theme of our work is SPD Matrix Learning, where we combine differential geometry, optimization, and machine learning to model structured neural data such as covariance and connectivity matrices.

Current interests include:

Geometric AI; Brain-computer interfaces and neural decoding; Neuroimaging and functional connectivity.

Our goal is to develop mathematically principled methods and test them on real neural data.

For representative projects and publications, please see the Research page.

Research Culture

I value important problems, original ideas, technical depth, and complete research stories more than publication count.

I encourage students to work deeply on a small number of meaningful problems, understand both their mathematical structure and practical constraints, and gradually develop independent research judgment.

I do not encourage fragmented projects or chasing trends simply for faster publication. A strong paper that genuinely moves a problem forward is often more valuable than several loosely connected papers.

Training and Opportunities

Students will receive training in areas such as:

Differential geometry and matrix analysis; Optimization and machine learning; Neural signal and neuroimaging analysis; Algorithm implementation and experimental design; Academic writing and research communication.

Students are encouraged to develop their own research questions and independent directions.

Our group collaborates with researchers at Inria, Stanford University, Nanyang Technological University, and deep-tech companies in China. We also benefit from the international environment of CUHK-Shenzhen and Shenzhen’s strong technology ecosystem.

Who Should Apply

We welcome applicants from mathematics, statistics, physics, computer science, automation, biomedical engineering, and related fields.

Strong mathematical foundations, independent thinking, and the ability to learn are more important than prior experience in BCI or neuroimaging.

Our current academic focus is not on hardware design, communication systems, or traditional software engineering. Applicants from these backgrounds are welcome if they wish to move toward mathematical modeling, machine learning, or neural data analysis.

How to Apply

Please email the following materials to my university address with the subject:

Position/Program + Name + University/Organization; CV, including education and research/project experience; Short research statement, describing your interests, why you would like to join the group, and relevant experience. Transcript and ranking information for student applicants.

For student applicants, strong performance in mathematics and core technical courses is especially important. Applicants in the top 10% of their cohort or major are preferred. If you are outside this range, please briefly explain your background and provide other evidence of research potential. If your university does not provide rankings, simply state this.

Ranking is only one factor. We also consider research experience, independent thinking, technical foundations, and research fit.

If you enjoy understanding difficult problems deeply and developing original methods, I would be happy to hear from you.