我在建什么
实验室
我的工作沿两条长期主线展开。一条是把东西造出来，一条是证明它何时可信 —— 后者是把前者做扎实的方法。项目会来会走；这两条河不会。可公开的项目可点开在线 Demo 或公开仓库；早期原型只保留高层说明。
想看完整的项目分组？ 全部项目 →
01 — 主线
5 AI 辅助分子发现
朝着一个可信、可复现、能对分子性质做推理的系统 —— 从 agentic 化学工作流，到基础模型 benchmark，再到氧化还原 / 电池相关候选分子。
● 在线 Demo
ChemGraph Loop
一个可以现场跑的真实 agentic 化学工作流
用大白话问一个小分子问题，看真实 ChemGraph agent 识别分子、跑仿真、画 3D 结构，并对照工作流护栏审计结果。
试用 Demo ↗
● 在线 Demo MIST 迁移学习 Benchmark
比较结构机器学习与微调分子基础模型
输入 SMILES，同时比较固定 Ridge、XGBoost、MLP 和 fine-tuned MIST-28M 对 QM9 DFT 性质标签的预测。
试用 Demo ↗
● 在线 Demo 液流电池氧化还原电位预测器
在预测前先确认分子身份的公开氧化还原电位 Demo
输入 SMILES 或化学名称，先检查 PubChem 支持的名称选项与可编辑 RDKit 结构，确认后才由固定 Random Forest 在 RedDB DFT 尺度上预测。
试用 Demo ↗
● 早期独立原型
● 公开仓库 Property-Aware Molecular Discovery Agent
正向/反向分子发现内核
一个 Python-first 的早期内核，围绕正向与反向工作流组织 —— 分子→性质档案、目标性质→候选发现 —— 架构围绕 Query Planner、Skill Registry 与 Evidence Objects，而不是把 LLM 输出当作科学真理。
Scientific Foundation Model Lab
训练与理解科学基础模型
一个动手的实验室，用于训练和理解科学基础模型 —— 表示学习、性质预测，以及模型素养工具。
在 GitHub 查看 ↗
02 — 主线
4 可信、可评估的科学 AI
科学下面那一层：结果什么时候能信？评估 harness、诚实的局限边界、确定性可复现，以及人在环把关 —— 让上面那条发现之河可信的方法。
● 公开仓库
Scientific Agent Lab
科学 AI 的评估与可复现层
不是科学助手，而是它下面那一层 —— 回答“结果什么时候能信”的骨架。一个确定性、零依赖的管道：把证据和假设分开、标出缺失的必需数据、证据不全时拒绝下结论，并交出可复现、可被评估 harness 打分的轨迹。全程无 LLM。
在 GitHub 查看 ↗
● 在线 Demo Condition-Monitoring Agent
一个可以现场跑的确定性预测维护管道
一个确定性管道智能体在 NASA 公开涡扇发动机数据上跑 10 阶段剩余寿命分析 —— 带人在环决策把关、带证据的决策卡、带引用的诊断。默认路径无 LLM；每个结果都能回溯到具体产物。
试用 Demo ↗
● 在线 Demo Preventive Health Model Lab
一个能从头看到尾的 QLoRA 微调研究
同一个合成预防健康任务和 QLoRA 配方，在单张 8GB GPU 上分别用于 Gemma 3 与 MedGemma，微调前后各评一次。留出集评估只测格式、安全措辞和数字依据。非临床；不证明诊断性能。
查看结果 ↗
● 在线 Demo Guideline-Faithfulness Chat
如实复述临床指南立场，并保住每一份的官方推荐力度
问一个膝关节炎的问题，它如实复述 NICE 和 ACR/AF 怎么说，并回读原文让推荐力度保持忠实，而不是把两份指南糊成一句笃定的话。指南忠实度的研究 demo —— 非医疗建议。
试用 Demo ↗