研究方向

1. 生成式模型（基础理论与算法创新）：包括变分自编码器（variational auto-encoder, VAE）、重整化流（normalizing flow）、扩散模型（diffusion model）、新型生成式建模框架、具有新能力的生成模型的设计、分析与算法开发，以及使用能量函数的生成模型训练方法和在分子（包括蛋白质和材料）三维结构预测与系综采样上的应用。

2. 人工智能赋能的量子化学方法：基于机器学习泛函的无轨道密度泛函理论、密度泛函理论下电子平均场哈密顿量预测、生成式量子蒙特卡罗等使用AI技术作为新型计算工具挖掘各种量子化学形式的潜力的研究。

3. 采样方法与贝叶斯推断方法：包括马尔可夫链蒙特卡罗（Markov chain Monte Carlo, MCMC），基于粒子相互作用的采样方法，变分推断等，以及结合概率流形视角（Wasserstein space, Fisher-Rao geometry, information geometry）的采样理论与方法。

教育经历

2014.08-2019.07 清华大学计算机科学与技术系 工学博士 学位论文：利用流形结构的高效贝叶斯推理方法研究

2010.08-2014.07 清华大学物理系 理学学士 学位论文：以行列式点过程为先验的最大熵判别式隐狄利克雷分配模型

工作经历

2022.07-2025.07 微软研究院科学智能中心

2019.07-2022.07 微软亚洲研究院

承担科研项目

• 统一分子科学基础模型（2023-2025，微软研究院科学智能中心）：构建了统一多个分子领域和分子科学任务的基础模型，其同时处理多个分子领域的能力使模型学到了普适的原子间相互作用规律，从而提升了跨领域（cross-domain）和小样本 (data-scarce)分子任务上的表现，而其同时支持多种分子科学任务的能力使模型能够支持更复杂的任务，如高效的结构搜索，反应中间态采样等。
• 使用能量函数监督信息的生成模型（2022-2024，微软研究院科学智能中心）：通过挖掘能量函数与扩散模型分布建模目标的统计力学定律联系，改进了训练与采样算法，提升了扩散模型在分子构象采样与热力学性质预测任务中的准确性及泛化能力。
• 人工智能赋能的量子化学方法（2021-2024，微软研究院科学智能中心）：利用人工智能方法突破了传统量子化学系列方法的精度与效率的权衡限制，并通过直接引入量子物理定律来训练模型，提高了在量子化学任务中的泛化能力。
• 使用互反条件分布生成模型（2019-2021，微软亚洲研究院）：建立了由两个互反方向的条件分布确定一个联合分布的充要条件的理论，并基于该理论定义了一种新型生成模型，使其能够建模非连通 (disconnected) 的数据分布，并学习到更具代表性的特征嵌入(embeddings)。
• 结合因果性（causality）的生成模型（2019-2021，微软亚洲研究院）：设计了具有隐含变量可识别性理论保证的隐含变量生成模型，识别数据中的因果性隐含因子 (causal latent factors)，从而实现了鲁棒的分布外 (out-of-distribution) 预测能力。

代表性学术论文

(“*”: 通讯作者; “†”: 同等贡献)

• He Zhang†, Siyuan Liu†, Jiacheng You, Chang Liu*, Shuxin Zheng*, Ziheng Lu, Tong Wang, Nanning Zheng, Bin Shao*. Overcoming the Barrier of Orbital-Free Density Functional Theory for Molecular Systems Using Deep Learning. In Nature Computational Science, 2024.
• Shuxin Zheng†*, Jiyan He†, Chang Liu†*, Yu Shi†, Ziheng Lu†, Weitao Feng, Fusong Ju, Jiaxi Wang, Jianwei Zhu, Yaosen Min, He Zhang, Shidi Tang, Hongxia Hao, Peiran Jin, Chi Chen, Frank No´e, Haiguang Liu†*, Tie-Yan Liu*. Predicting Equilibrium Distributions for Molecular Systems with Deep Learning. In Nature Machine Intelligence, 2024.
• Chang Liu, Jun Zhu. Geometry in Sampling Methods: A Review on Manifold MCMC and Particle-Based Variational Inference Methods. In Advancements in Bayesian Methods and Implementation, in Handbook of Statistics (vol. 47), Elsevier, 2022.
• Chang Liu*, Haoyue Tang, Tao Qin, Jintao Wang, Tie-Yan Liu. On the Generative Utility of Cyclic Conditionals. In Neural Information Processing Systems (NeurIPS), 2021.
• Chang Liu*, Xinwei Sun, Jindong Wang, Haoyue Tang, Tao Li, Tao Qin, Wei Chen, Tie-Yan Liu. Learning Causal Semantic Representation for Out-of-Distribution Prediction. In Neural Information Processing Systems (NeurIPS), 2021.

主要成就与荣誉

清华大学优秀博士论文，2019.

清华大学计算机科学与技术系优秀博士毕业生，2019.

学术兼职

学术会议领域主席：NeurIPS (2022-), ICML (2023-), ICLR (2024-).

审稿人：NeurIPS (2016,2018-2021), ICML (2019-2022), ICLR (2021-2022), AAAI (2020-2021), UAI (2019), IJCAI (2021), AISTATS (2023), IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) (2020-2025), IEEE Transactions on Intelligent Systems and Technology (TIST) (2019), IEEE Transactions on the Web (2019).