笃行钻研，在科研探索中成长
邹佳吕同学在科研工作中展现了学习刻苦、肯钻研的精神。他将这份精神投入到人工智能的不同前沿领域，在解决具体问题的过程中，不断锤炼自己的科研能力，收获了成长与感悟。
初探科研：以AI赋能芯片设计
刚进入实验室时，邹佳吕同学选择的研究方向是人工智能在芯片设计（EDA）领域的应用。他聚焦于一个具体难题：如何利用人工智能方法，在芯片放置阶段预测可能出现的拥塞情况，以此提高芯片设计的流程效率。
这是一个具有挑战性的课题。传统的电路图结构复杂，如何让AI模型高效理解并处理这种数据是关键。在研究过程中，他发现既有的方法在处理大规模电路时存在局限。为了寻求突破，他开始思考是否可以转变视角，不局限于传统的图结构，而是将电路简化为“点的集合”来处理。
沿着这个思路，他着手设计和验证。经过反复的实验和模型迭代，他提出了CircuitFormer方法。该方法在芯片放置拥塞评估任务上取得了良好的效果，被证明是当时一种高效的评估手段。这段经历让他认识到，在科研中，当传统路径受阻时，转换思维角度、大胆假设、小心求证是推动研究前进的有效途径。其撰写的相关论文《Circuit as set of points》被CCF A类会议NeurIPS 2023收录。
拓展视野：探索高效多模态与应用落地
在EDA领域取得初步成果后，邹佳吕同学并未停止探索的脚步。他敏锐地关注到AI领域的新进展，特别是统一多模态模型的发展趋势。他注意到，以Transformer为基础的模型在处理长序列时面临计算瓶颈。为此，他将目光投向了新兴的状态空间模型Mamba架构。
他探索性地提出了OmniMamba模型，这是一种基于Mamba的高效、统一的多模态学习框架。该方法致力于在单个模型中统一处理多模态的理解与生成任务，并利用Mamba架构在处理长序列数据时的线性复杂度优势，为多模态领域提供了一个兼具高效性与通用性的骨干网络方案。
与此同时，他对将技术应用于解决实际问题抱有浓厚兴趣。他与实验室同学合作，针对疲劳驾驶这一社会安全问题，共同开发了《基于局部特征学习的高效率疲劳检测系统》。该作品在第十八届“挑战杯”全国大学生课外学术科技作品竞赛揭榜挂帅专项赛中，荣获全国一等奖。这次竞赛经历让他更深刻地体会到科研成果的社会价值。
聚焦难题：深耕自动驾驶
基于对交通安全的关注和技术积累，邹佳吕同学选择投身于自动驾驶领域的研究。他瞄准了行业的一个痛点：自动驾驶模型训练高度依赖海量的人工标注数据，而数据标注成本高昂、耗时漫长。
他开始研究无监督预训练方法，希望能找到一种高效利用大规模无标注数据的方式。他提出了MIM4D方法，该方法创新性地利用掩码图像建模（MIM）和神经辐射场（NeRF）的思路，引导模型从无标注的多视角视频中学习时空一致的场景表征，有效缓解了对人工标注的依赖。经过其方法预训练后的模型，在迁移到多个下游任务时表现良好。根据此方法撰写的论文《Masked Modeling with Multi-View Video for Autonomous Driving Representation Learning》被CCF A类期刊International Journal of Computer Vision (IJCV)接收。
在自动驾驶领域，他继续纵深探索。针对端到端驾驶模型在决策安全性和鲁棒性上的挑战，他着手改进基于Diffusion的驾驶方法DiffusionDrive。他创新性地将强化学习引入到扩散模型中，提出了DiffusionDriveV2方法。该方法利用GRPO的强化学习算法，通过强化学习的奖励信号来微调扩散模型的策略，使其在生成驾驶轨迹时能更好地规避风险、提升安全性，为实现更鲁棒的端到端自动驾驶提供了新的思路。
结语
从芯片设计到多模态，再到自动驾驶的深度探索；从理论模型到竞赛实践，邹佳吕同学在不同的科研课题中，始终保持着踏实钻研的态度。他勇于面对挑战，积极寻找解决思路，在这一过程中不仅收获了学术成果，更积累了宝贵的科研经验，展现了稳步成长的科研足迹
