简介：
现为中国科学院凝聚态物质科学数据中心副研究员、博士生导师，主要从事 AI for Science 研究，聚焦人工智能在物质科学等基础研究中的应用。2018年毕业于中国科学院物理研究所，获博士学位，早期主要从事极端条件下新材料探索研究，博士期间曾赴美国橡树岭国家实验室开展学术交流。此后在清华大学计算机系人工智能研究院完成两期博士后研究，系统开展人工智能基础理论与方法研究。与此同时，长期参与人工智能科普传播，著有《人工智能通识》系列图书，参与编写的《图解人工智能》入选“新华荐书”推荐书目及“央视读书”栏目，并参与发起公益科普社区“AI光影社”，推动人工智能科普动画与视频创作。
主要研究方向：
人工智能驱动物质科学研究（AI for Science）
过去的主要工作及获得的成果：
1 基于深度学习的高效微磁学模拟新框架：
在微磁学研究中，数值模拟至关重要。然而，传统数值方法因必须考虑长程相互作用，导致计算需求高昂。通过利用神经网络的学习能力，计算复杂度从 O(n log(n)）降至 O(n)，从而实现了对大规模样本的可扩展模拟。相关工作发表于 Nature Machine Intelligence, (2024), 6, p1330–1343, 获选当期封面文章。
2 区分式生成模型的设计：
基于标准化流模型（NF），提出了一种区分性标准化流模型（DNF），有效解决了传统NF模型中区分性下降的问题。证明了“DNF是线性判别分析（LDA）模型的非线性扩展”，为提高生成模型的区分性提供了新思路。相关工作发表于IEEE/ACM TASLP, (2021) 29. 733-744
3 最大高斯化训练准则的构建：
针对标准化流模型（NF）和区分性标准化流模型（DNF）因最大似然（ML）准则导致的过拟合问题，基于高维高斯球理论，提出了一种最大高斯化训练（MG）准则。该准则提高了模型的可训练性，解决了具有高斯分布概率模型的过拟合问题，从而增强了模型的泛化性和鲁棒性。相关工作发表于Pattern Recognition, (2024) 145, 109977
4 深度规整化方法的应用：
在说话人识别任务中提出深度规整化方法并引入DNF模型，有效解决了说话人向量空间非约束分布的问题。此方法显著提升了说话人识别的性能和泛化性。相关工作发表于IEEE/ACM TASLP, (2021) 29. 733-744
代表性论文及专利：
论文：
[1] Yunqi Cai, Jiangnan Li, Dong Wang, “Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets”, Nature Machine Intelligence, (2024).
[2] Yunqi Cai, Lantian Li, Dong Wang, Andrew Abel, “Deep Normalization for Speaker Vectors”, IEEE/ACM Transactions on Audio, Speech, and Language Processing, (2020) 29, 733-744.
[3] Yunqi Cai, Lantian Li, Andrew Abel, Xiaoyan Zhu, Dong Wang. Maximum Gaussianality training for deep speaker vector normalization. Pattern Recognition. (2024), 145, 109977.
[4] Yunqi Cai, Q. Cui, X. Li, Z. L. Dun, J. Ma, C. dela Cruz, Y. Y. Jiao, J. Liao, P. J. Sun, Y. Q. Li, J. S. Zhou, J. B. Goodenough, H. D. Zhou, and J.-G. Cheng*; “High-pressure synthesis and characterization of the effective pseudospin S = 1/2 XY pyrochlores R2Pt2O7 (R = Er, Yb)”, Physical Review B (2016) 93, 014443.
[5] Yunqi Cai, Y. Y. Jiao, Q. Cui, J. W. Cai, Y. Li, B. S. Wang, M.T. Fernández-Díaz, M. A. McGuire, J.-Q. Yan, J. A. Alonso, and J.-G. Cheng*; “Giant reversible magnetocaloric effect in the pyrochlore Er2Mn2O7 due to a cooperative two-sublattice ferromagnetic order”, Physical Review Materials, (2017) 6, 064408.
[6] Wang, W., Huang, D., Li, J., Yang, T., Zheng, Z., Zhang, D., Yunqi Cai*... & Weng, H*. “CMPhysBench: A Benchmark for Evaluating Large Language Models in Condensed Matter Physics”. ICLR (2026)
[7] 翁红明, 蔡云麒. SIE:让战略目标驱动分布式科研,释放小科学的原创活力[J]. 中国科技论坛, 2026(3): 10-12.
专利：
[1].一种说话人向量正则化方法、装置、电子设备和存储介质，发明专利，ZL 2020 1 0218732.3
[2].语音转换处理方法、装置、电子设备及存储介质，发明专利，CN202010084699.X
[3].一种制备高 TCR多晶陶瓷的方法, 发明专利, ZL2013 10347451.8.
[4].一种高纯度二氧化铱的制备方法，发明专利，201610172272.9
[5].基于深度学习的自适应尺度的微磁学模拟方法, 发明专利，ZL 2024 1 0670504.8
著作：
[1] 《Perovskite Materials - Synthesis, Characterization, Properties, and Applications》Chapter 6, InTech (2016), ISBN 978-953-51-2245-6.
[2]《语音识别基本法》，2021年，电子工业出版社
[3]《图解人工智能》，2024年，清华大学出版社；入选“新华荐书”推荐书目及“央视读书”栏目
[4] 《人工智能通识》，2025年，清华大学出版社
目前的研究课题及展望：
研究聚焦于人工智能赋能物质科学，致力于从智能模型与平台、数据与基准体系、自动化实验与闭环验证三个层面推动物质科学研究范式的智能化升级。在智能模型与平台方面，面向材料设计、优化、模拟与科学分析发展垂直领域模型与智能系统；在数据与基准体系方面，构建高质量 AI-ready 数据资源与评测平台，支撑模型训练、分析与比较；在自动化实验方面，探索贯通制备、表征与测试的智能化实验平台，推动人工智能与实验过程深度融合。围绕这一主线，已开展“格物”大模型、MatSciBench数据基准体系、SupraMAS超导钉扎设计、NeuralMAG微磁学模拟 等系统建设，并正在推进从材料制备到性能测试的一体化闭环实验室建设，最终形成“模型设计—实验验证—数据回流—迭代优化”的智能闭环研究模式。
培养研究生情况：
- 博士后、工程师职位长期开放；
- 计划每年招收博士、硕士生2~3名；
- 欢迎有计算机、人工智能、自动化、材料、物理等相关背景的学生加入；
Email：
