香港城市大学硕博导师Matthias Hwai Yong Tan申请攻略

成功上岸的师兄师姐们都说,联系导师是他们上岸过程中至关重要的步骤之一找到适合自己的导师,与心仪导师取得联系并获得认可非常重要从本期开始,我们将为大家介绍热门院校的导师,帮助同学们了解导师的研究方向,招收学生情况,帮助大家更好的进行申请定位! 本期,我们将为大家介绍香港城市大学的导师! 

硕博申请 @ 香港城市大学(CityU)

01 · 导师简介

Matthias Hwai Yong Tan 教授本科毕业于马来西亚理工大学机械与工业工程专业,之后在新加坡国立大学获得工业与系统工程硕士学位,最后在美国佐治亚理工大学获得工业与系统工程博士学位。从他的教育背景可以看出,Tan 教授在工程领域有着深厚的理论功底和专业素养。
Tan 教授目前是香港城市大学数据科学学院的副教授,2013年起在城大担任助理教授,2018年晋升为副教授。他主要的研究方向包括统计学习、不确定性量化、物理和计算机实验的设计与分析、稳健参数设计、工程与工业统计以及贝叶斯统计等。

02 · 导师研究概况

Tan 教授的研究重点在于为工程仿真模型开发严谨的统计方法,以解决工程不确定性量化问题。他的研究通常涉及时间较长的仿真,如通过有限元方法求解时间相关的3D偏微分方程、通过有限体积法求解Navier-Stokes方程,以及计算模拟器输出相对于噪声因子输入的期望。

Tan 教授近年主持了多项由香港研究资助局资助的研究项目,包括优秀青年学者计划(ECS)和优配研究金(GRF)等。这些项目涉及不同工程和统计领域,体现了Tan教授研究的广度和深度。

港城大申请篇 | 看完这篇,打开申硕申博新思路!

03 · 研究解析

Tan 教授在顶级期刊上发表了许多高质量的学术论文,包括:

Technometrics:研究高斯过程模型在计算机实验、稳健参数设计等方面的应用

SIAM/ASA Journal on Uncertainty Quantification:提出贝叶斯多项式混沌模型选择方法以估计灵敏度指数

IIE Transactions:提出集成参数和公差优化方法,解决不确定目标函数下的工程设计优化问题

IISE Transactions:提出多目标稳健设计方法,处理具有多个功能输出的问题

这些论文展示了Tan教授在统计建模、工程优化、计算机实验等方面的创新思路和突出贡献。他的研究成果对解决实际工程问题具有重要的理论意义和应用价值。

04 ·需做哪些申请准备?

Tan 教授指出他希望招收工程、数学或统计学背景的学生攻读博士学位,申请者需要具备优秀的学业成绩。因此有意向申请的同学应该在本科和硕士阶段打好专业基础,争取取得优异的学术表现。

此外,申请者最好能展示出在相关研究领域的实践经验,如参与科研项目、发表学术论文等。这些经历可以帮助申请者脱颖而出,获得导师的青睐。在申请时,请务必向Tan教授提交详细的个人简历,充分展示你的学术背景和研究潜力。

港城大申请篇 | 看完这篇,打开申硕申博新思路!

05 ·导师近年招收学生情况

Tan 教授目前正在招收博士生,对申请者的学术背景要求较高。从他的研究领域和发表论文来看,工业工程、运筹优化、统计学等专业的学生可能更有优势。

06 ·研究想法举例

研究题目:基于深度学习的高维复杂系统不确定性量化与优化设计

研究内容:

开发基于深度学习的高维复杂系统 metamodel,提高建模效率和精度

发展适用于深度模型的不确定性量化方法,克服传统方法的局限性

将深度学习 metamodel 与多目标优化算法相结合,实现鲁棒性和可靠性设计优化

搭建不确定性量化与优化设计的集成仿真平台,进行工程应用验证

研究意义:本研究创新性地将深度学习引入复杂系统不确定性量化,发展适用于高维强非线性问题的新理论和新方法。拟开发的集成仿真优化平台可为工业界提供实用设计工具。研究成果有望在航空航天、能源动力等关键领域得到应用,推动不确定性量化领域的智能化发展。

港城大申请篇 | 看完这篇,打开申硕申博新思路!

07 ·师兄师姐有话说

申请经验:申请 Matthias Tan 教授课题组,需要对不确定性量化、工程统计等领域有浓厚兴趣,并具备扎实的数理统计和编程基础

建议仔细阅读 Tan 教授的代表性论文,深入理解其研究思路和技术方法。在个人陈述中,重点阐述自己对不确定性量化领域的认识和研究兴趣,展示相关项目经历、数据分析能力和编程技能,并针对 Tan 教授的研究工作提出自己的想法和见解。

推荐信中,请熟悉自己研究工作的导师或合作者详细评价学术能力和研究潜质。如有机会与 Tan 教授交流,要充分展示对不确定性量化领域的热情和贡献研究工作的强烈意愿。

创新思考:不确定性量化在工程设计和优化中日益重要。传统方法面临计算成本高、精度低等挑战。将机器学习引入不确定性量化,发展数据驱动的建模、量化和优化技术,是值得探索的研究方向。利用深度神经网络构建高维复杂系统的 metamodel,发展新颖的概率分布学习和灵敏度分析方法,将深度 UQ 与多学科设计优化结合,有望在强化系统鲁棒性和可靠性设计方面取得突破。

不确定性量化正处于从传统的模型驱动向数据驱动转变的关键期。在 Tan 教授指导下探索机器学习、优化设计与 UQ 的交叉融合,将开拓 UQ 理论和方法的新境界,助力智能制造时代复杂工程系统的设计。

【竞赛报名/项目咨询请加微信:mollywei007】

上一篇

物理碗 2023 例题解析 —— mass flow 问题

下一篇

布朗官宣2025Fall恢复标化保留早申!美本标化政策如何变化?来看Top 50最新汇总!

你也可能喜欢

  • 暂无相关文章!

评论已经被关闭。

插入图片
返回顶部
Baidu
map