上海交通大学大学生创新实践计划

“上海交通大学大学生创新实践计划”遵循“激发科研兴趣、发挥科研潜质、提倡创新创业实践”的原则，支持品学兼优且具有较强科研潜质的在校学生开展自主选题科学研究工作，强调选题的科技前沿性、学科交叉性和学术创新性，重视对学生创新创业思维和创新实践能力的培养。学校还将从校级“大学生创新实践计划”中直接选拔优秀项目作为“国家级大学生创新创业训练计划”和“上海市级大学生创新创业训练计划”的备选项目。

立项申请

登录系统（cxcy.sjtu.edu.cn）或点击文末“阅读原文”即可进入网站，立项程序为：发起选题—师生互选—确认选题—申报项目。如果已在线下确定了组员和指导教师，可跳过选题环节直接在系统中申报项目。

具体申请条件和立项程序请参考【关于申报第三十期“上海交通大学大学生创新实践计划”项目的通知】，“通知”链接：

https://cxcy.sjtu.edu.cn/cxcy/CXCY/SJTU/NoticeBulletin/Detail/e809140e-161e-4ff5-80e2-36b2e87d4691（请复制链接到浏览器打开）

重要时间节点

提交选题时间：

2024年9月20日至2024年10月27日

学生立项申请时间：

2024年9月25日至2024年11月6日

学生系统填报时间：

2024年9月25日至2024年11月6日

导师系统审核时间：

2024年9月25日至2024年11月6日

院系立项审核时间：

2024年11月7日至2024年11月14日

院系提交立项汇总表时间：

2024年11月21日前

部分选题内容

1.      基于文本报告-病理图像的多模态医学多任务模型设计

指导教师：潘小勇

联系方式：2008xypan@sjtu.edu.cn

所属学院：电子信息与电气工程学院

选题信息：

本项目旨在设计一个基于文本报告与病理图像的多模态医学多任务学习模型，目标是实现病理图像的高效分类及文本报告中的关键信息提取。这一创新性的研究旨在有效结合图像和文本数据，以提升疾病诊断的准确性和效率，推动智能医疗的进程。

随着医学影像技术的飞速发展，病理图像的分析已经成为临床诊断的重要环节。传统的方法通常侧重于单一数据源，未能充分利用图像和文本之间的互补信息。因此，本项目将采用多模态学习的策略，通过收集配对的病理图像和相关的文本报告，构建一个能够同时处理这两种数据形式的深度学习模型。具体而言，项目将采用一些基础模型作为图像特征提取的基础，利用其在图像处理方面的强大能力。与此同时，我们将使用预训练的语言模型（如BERT）来提取文本中的语义特征，从而确保对文本信息的深入理解。在特征融合模块中，将图像和文本特征进行有效结合，利用先进的融合技术（如注意力机制）来优化模型的性能。多任务包括了肿瘤的亚型分类，生存预测等。

通过本项目的实施，我们希望能够开发出一个高效的多模态医学多任务学习模型，为病理图像分析和文本报告解读提供更为精准和自动化的解决方案。这一研究不仅有望提升临床诊断的效率，还将为医疗行业带来显著的技术创新，推动智能医疗的前进。

2.      基于机器学习的数学定理自动形式化和自动定理证明

指导教师：张家硕

联系方式：surenny233@sjtu.edu.cn

所属学院：数学科学学院

选题信息：

数学一直是挑战人类智力边界的领域，但随着人工智能技术的快速发展，尤其是深度学习和强化学习的兴起，AI在数学推理中展示出了惊人的能力。这不仅推动了数学家的前沿研究和科学创新，也为数学的未来发展开启了新的视野。

在数学历史中，许多重要猜想的证明都依赖于其他数学分支的工具和思想。然而，随着数学的持续发展，细分领域变得日益复杂，各分支间的工具运用难度增加，这在一定程度上限制了数学工具的有效使用。当前，大型语言模型的能力可以跨越数百年甚至上千年的跨学科知识，发挥强大作用，这正是数学领域中的人工智能（AI4M）的核心驱动力。

AI4M的主要任务包括定理证明、定理生成及反例生成，其核心模式分为全自动、交互式及AI启发三种。尽管近年来“AI for Science”这一人工智能推动科学研究的新范式蓬勃发展，AI在数学领域尤其是定理证明方面仍然面临挑战。传统上，数学的形式化和定理证明依赖于数学家，但这种方式耗时费力且易犯错。人工智能的进步为数学形式化和定理证明提供了新机遇。

我们的工作旨在利用人工智能技术推动数学形式化和自动定理证明的发展，进一步提高定理证明的效率和准确性。

3.      ROV水下作业系统的数字孪生方法研究

指导教师：赵敏

联系方式：min.zhao@sjtu.edu.cn

所属学院：船舶海洋与建筑工程学院

选题信息：

水下作业是遥控潜水器（Remotely Operated Vehicle, ROV）的主要应用场景之一。目前ROV的水下作业主要采用主从机械臂控制方案，操作人员通过观察水下摄像头获取的画面，借助控制主臂来实现水下从臂的运动控制。该方案下，操作人员对水下信息的获取能力有限，同时对于机械臂的控制依赖手动操作，控制精度有限，这些情况限制了水下作业精度和效率的提升。

数字孪生方法是通过建立ROV作业系统的实时仿真环境，将真实的作业场景借助虚拟环境进行展示。操作人员能通过虚拟环境的模拟来了解真实的作业情况，同时借助对虚拟环境中机械臂的控制来进行作业任务。在基于数字孪生方法进行水下作业任务时，数字孪生系统能够基于多个传感器对真实的作业环境进行建模，操作人员能够从多个角度观察理解作业场景，并且获取例如坐标、姿态等场景数据，而后能够为机械臂运动进行规划，通过程序命令较为精确地控制机械臂的运动，实现更高精度与更高效率的水下作业。除此之外，作业场景建模与机械臂被控数据样本能够作为经验数据保留，一方面能够用于操作人员的培训，另一方面在自主作业的机器学习模型训练中也能发挥作用。

本项目基于Nvidia Isaac Sim仿真平台，对于水下液压机械臂进行运动学与动力学建模，设计机械臂末端运动的控制方案，同时基于光学摄像头实现场景建模，构建机械臂作业的仿真模拟实验平台，最后通过与ROS的桥接实现真实机械臂的控制。课题预计实现一套满足要求的机械臂作业仿真实验平台与真实作业的数字孪生系统，并通过机械臂控制实验验证该系统的有效性。

4.      可降解镁基生物电池放电行为及生物功能化研究

指导教师：张小农

联系方式：xnzhang@sjtu.edu.cn

所属学院：材料科学与工程学院

选题信息：

本课题是涉及金属材料-电池-生物的交叉性课题。

镁（Mg）作为电池的阳极材料因其相对负的电极电位（-2.37 V vs. SHE）、高比容量（2000 mAh/g）、高比能（680 Wh/kg）、低成本、寿命长、良好的生物相容性和安全性（~300 mg/day）受到了广泛关注[44]。目前常用的镁电池体系主要有：Mg-MnO2干电池、Mg-海水电池、Mg-H2O2半燃料电池、Mg-空气电池等。其中，镁-空气电池体系以中性水溶液作为电解质，空气电极作为阴极，氧气作为阴极反应物。因其能量储存空间大，能量密度大且最大限度的降低了电解质对机体毒性作用，是目前研究最为广泛的一类镁生物电池体系。镁-空气系统的理论电压为3.1 V，能量密度为6.8 kWh/kg，适用于长期低功率、低电流密度的工作环境，具有广泛的应用前景。

在医用植入材料领域，以可降解金属（如铁（Fe）、钨（W）或钼（Mo）等）阴极、可降解聚合物（如聚己内酯、聚酸酐等）封装组合的Mg-空气电池由于其完全可降解性，在瞬态可植入电子器件领域得到了快速的发展。如神经导管、伤口修复电织物敷料等。然而截止目前，镁-空气电池在生物功能化应用场景上仍然存在限制。此外，作为目前研究常用的镁空电池阳极材料，纯镁在放电过程中存在效率不高、自腐蚀较快的问题，这使得镁电池在放电中表现出低实际电压、快速能量损失等缺陷。大大限制了临床应用的场景和潜力。Mg阳极材料改性与医学应用目前处于割裂状态，还未有将上游镁阳极材料改性、放电性能与下游医学应用（如神经导管、伤口修复贴片、骨折固定骨板等）结合起来的案例。本课题拟从材料角度出发，通过调控镁合金的微观结构，提高放电性能；并通过设计Mg-空气电池结构，进一步发掘其在生物医学领域的潜在应用，为瞬态可降解电子器件在临床治疗的发展提供科学指导。

5.      基于空间隐式表达的路侧激光雷达数据集生成方法

指导教师：庄瀚洋

联系方式：zhuanghany11@sjtu.edu.cn

所属学院：密西根学院

选题信息：

随着智能交通系统的发展，车路云一体化的技术路线能够弥补单车智能系统的感知盲区、整体优化交通系统的效率。其中路侧感知系统通过将传感器和计算单元放置在路侧，从更高的视角对道路上的目标进行跟踪，减少车辆间遮挡产生的感知失效问题。因路侧感知对精度有一定需求，因此需要使用激光雷达进行路侧感知、跟踪道路车辆的三维位姿。然而，目前大多数激光雷达感知系统依赖深度学习进行目标检测，而这类方法需要大量数据进行训练，当前专门用于路侧感知的数据集较少，难以训练出一个较为鲁棒的预训练模型，这对于路侧感知系统的开发与部署产生了一定的障碍。另一方面，目前以车端为主的数据集则具有很高的质量与极大的数量，因此，本项目希望通过场景建模和新视角数据生成的方式，利用车端数据集来弥补场端数据集的不足，从而能够利用当前大量已标注的高质量车端数据集来生成路侧视角的标注真值，提升路侧感知预训练模型的精度，支撑车路云一体化技术的发展。

本项目主要技术路线采用NeRF类的隐式建模手段，利用车端数据集生成新视角下的激光雷达点云。整体工作将包含如下3个主要部分：

1. 根据车端数据集的序列数据，建立成完整的场景隐式表达。

2. 利用路侧激光雷达的内参和一系列预设外参，从建立的场景中生成新的路侧视角点云数据。

3. 验证所提出的数据生成方法是否对于路侧感知系统的精度有所提升。

6.      基于生成式预训练技术的光领域大模型设计与研究

指导教师：义理林

联系方式：lilinyi@sjtu.edu.cn

所属学院：电子信息与电气工程学院

选题信息：

AI大模型在文本、代码等领域展现出强大的能力，尤其是ChatGPT的出现，AI大模型的应用引起了广泛的关注。光领域尤其是光通信领域作为一个成熟的研究领域，有着充分的研究数据，同时在仿真、优化、系统配置等研究方面急需智能化工具的辅助。本项目聚焦在光领域，以光领域成熟的数据资源为基础，构建高质量数据集和评测集，利用生成式预训练技术，建立专业领域的AI大模型，为光物理、光量子、以及光通信等方面研究提供帮助。探究大模型在光领域，特别是光通信领域的应用价值。我们会提供充足的计算资源、丰富的数据和专业的指导。

数据收集：高质量光学参考书籍；精选教科书；nature精选光学文献；ieee等网站中高质量子刊；中文光学一区期刊；成熟论文数据库合作；p光通信领域专业代码。

模型训练测试：基于LlamaFactory框架实现Qwen2-1.5B模型的预训练；p基于LlamaFactory框架实现预训练模型的二阶段监督微调训练；基于Opencompass框架实现预训练模型和监督微调模型的自动评测。

数据处理：基于Sciparser完成对论文数据的解析和结构化；书籍数据的解析和结构化；由文本数据构建预训练数据集和监督微调数据集及评测数据集。

更多详细情况请点击下方链接查看更多信息。

原文链接：cxcy.sjtu.edu.cn