마 평천(Pingchuan Ma) (중국어: 馬平川)은 메타의 슈퍼인텔리전스 랩(Meta's Superintelligence Labs)에서 AI 연구 과학자입니다. 그의 연구는 기계 학습, 컴퓨터 그래픽 및 로봇 공학의 교차점에 초점을 맞추고 있으며, 미분 가능한 시뮬레이션, 물리 기반 생성 모델 및 다중 모달 학습과 같은 분야에 상당한 기여를 하고 있습니다. [1] [2]
마는 중국 천진의 난카이 대학교에서 2015년부터 2019년까지 소프트웨어 공학 학사 학위를 받았습니다. 학부 과정을 마친 후 미국으로 건너가 매사추세츠 공과대학교(MIT)에서 대학원 과정을 이수했습니다. MIT에서 그는 컴퓨터 과학 및 인공 지능 연구소(CSAIL)에 합류하여 Wojciech Matusik 교수의 지도를 받았습니다. 그는 2023년 2월에 컴퓨터 과학 석사(S.M.) 학위를 받았고 2025년 2월에 컴퓨터 과학 박사 학위 논문을 성공적으로 발표했습니다. [1] [3] [6]
2025년 7월, 마는 기초 AI 연구를 발전시키기 위해 구성된 새로운 팀인 슈퍼인텔리전스 랩(Superintelligence Labs)에서 AI 연구 과학자로 메타에 합류했습니다. 그의 임명은 다른 주요 AI 기관에서 수많은 연구원을 영입한 메타의 중요한 인재 영입 노력의 일환이었습니다.
메타에서의 역할 이전에 마는 2025년 2월부터 7월까지 OpenAI에서 기술 직원으로 근무했으며, 그의 업무는 다중 모달 모델과 훈련 후 기법에 중점을 두었습니다. 2019년부터 2025년까지 MIT CSAIL에서 박사 과정을 수행하는 동안 그는 연구 조교로 일했습니다. 마의 전문 경험은 저명한 기술 연구소에서의 여러 연구 인턴십으로 보완됩니다. 그는 2024년 5월부터 12월까지 Dieter Fox 교수와 함께 NVIDIA 시애틀 로보틱스 랩에서 인턴으로 근무했습니다. 2021년에는 Chuang Gan 교수의 지도하에 MIT-IBM Watson AI Lab에서 인턴으로 근무했습니다. 그의 가장 초기 산업 인턴십은 2018년 5월부터 2019년 2월까지 SenseTime Research에서였습니다. MIT 재학 중 그는 2022년 가을에 6.807/6.839 고급 컴퓨터 그래픽 강좌의 조교로도 활동했습니다. 그의 연구 경력은 2016년 4월부터 2019년 6월까지 난카이 대학교에서의 조교로 시작되었습니다.
마의 연구는 기계 학습, 컴퓨터 그래픽 및 로봇 공학의 개념을 통합합니다. 그의 연구의 중심 주제는 미분 가능한 물리 시뮬레이션의 개발 및 응용으로, 이를 통해 기울기 기반 최적화 방법을 사용하여 복잡한 물리적 역 문제를 해결할 수 있습니다. 이 접근 방식은 소프트 로봇, 유체 역학, 계산 설계 및 시스템 식별의 과제에 적용되었습니다. 그의 연구는 또한 심층 학습의 표현력과 물리 법칙의 제약을 결합하여 더욱 사실적이고 제어 가능한 출력을 생성하는 물리 기반 생성 모델의 생성을 탐구합니다. 그의 연구의 다른 주요 분야에는 비전과 언어를 위한 다중 모달 학습, 효율적인 AI 시스템의 개발 및 과학적 발견에 대한 AI의 적용이 포함됩니다.
그는 NeurIPS, ICML, ICLR, SIGGRAPH 및 ICRA를 포함한 주요 AI 및 컴퓨터 그래픽 컨퍼런스에서 발표된 수많은 논문을 공동 저술했습니다.
그의 주목할 만한 출판물 중 일부는 다음과 같습니다.
- KAN 2.0: Kolmogorov-Arnold Networks Meet Science (2024): Ziming Liu, Yixuan Wang, Wojciech Matusik 및 Max Tegmark와 공동 저술한 이 논문은 물리적 사전 정보와 기호 구성 요소를 모델 아키텍처에 통합하여 과학적 발견을 위해 맞춤화된 Kolmogorov-Arnold Networks(KAN)의 발전을 제안합니다.
- LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery (2024): ICML에서 발표된 이 연구는 대규모 언어 모델(LLM)이 가설을 제안하고 개선하는 고수준 최적화기 역할을 하고 미분 가능한 시뮬레이션이 물리 법칙에 따라 이러한 가설을 검증하는 저수준 최적화기 역할을 하는 프레임워크를 소개합니다.
- DiffuseBot: Breeding Soft Robots with Physics-Augmented Generative Diffusion Models (2023): NeurIPS에서 구두 발표된 이 논문은 물리 기반 시뮬레이션에 의해 안내되는 확산 모델을 사용하여 소프트 로봇의 형태와 제어를 공동 설계하는 방법을 제시하여 다양하고 고성능의 로봇 구조를 생성할 수 있습니다.
- Learning Neural Constitutive Laws from Motion Observations for Generalizable PDE Dynamics (2023): ICML에 발표된 이 연구는 편미분 방정식(PDE) 프레임워크 내에서 응력과 변형 간의 관계를 모델링하는 신경망을 사용하여 비디오 관찰에서 직접 물리 시스템의 기본 재료 특성(구성 법칙)을 학습하는 방법을 소개합니다.
- SoftZoo: A Soft Robot Co-design Benchmark For Locomotion In Diverse Environments (2023): ICLR에서 발표된 이 연구는 소프트 로봇을 설계하고 평가하기 위한 포괄적인 벤치마크를 소개하여 다양한 지형에서 모양과 제어 정책을 공동 최적화하기 위한 표준화된 환경을 제공합니다.
- RISP: Rendering-Invariant State Predictor with Differentiable Simulation and Rendering for Cross-Domain Parameter Estimation (2022): ICLR에서 구두 발표된 이 논문은 비디오에서 물리적 특성을 추정하여 실제 객체의 "디지털 트윈"을 생성하기 위한 프레임워크를 제안합니다. 객체의 시각적 외관과 기본 물리적 역학 간의 간극을 해소하기 위해 미분 가능한 시뮬레이션과 렌더링을 통합합니다.
- DiffAqua: A Differentiable Computational Design Pipeline for Soft Underwater Swimmers with Shape Interpolation (2021): ACM Transactions on Graphics(SIGGRAPH)에 발표된 이 논문은 효율적인 소프트 바디 수중 수영 선수를 설계하기 위한 완전히 미분 가능한 파이프라인에 대해 자세히 설명합니다. 이 시스템은 수영 속도를 극대화하기 위해 로봇의 모양과 작동을 최적화합니다.
- Efficient Continuous Pareto Exploration in Multi-Task Learning (2020): ICML에서 발표된 이 연구는 다중 작업 학습 문제에서 파레토 프런트를 효율적으로 매핑하는 알고리즘을 소개하여 다양한 목표 간의 절충에 대한 더 완전한 이해를 가능하게 합니다.
- Fluid Directed Rigid Body Control using Deep Reinforcement Learning (2018): ACM Transactions on Graphics(SIGGRAPH)에 발표된 이 초기 연구는 심층 강화 학습을 사용하여 유체 시뮬레이션 내에서 강체의 움직임을 제어하여 객체가 복잡한 유체 환경을 자율적으로 탐색할 수 있도록 하는 방법을 보여줍니다.
위 목록은 마의 AI, 로봇 공학 및 컴퓨터 그래픽 분야에 대한 기여를 선택한 것입니다. [1] [2] [3] [4] [5] [6] [7]