Differentiable Physics-Based System Identification for Robotic Manipulation of Elastoplastic Materials
展示核心科学闭环：通过受控物理交互推断隐藏参数，建立系统模型，并把模型用于后续决策。
研究方向
可信机器人科学
让人类监督下的机器人科学系统能够推理证据、发现实验或设备偏离计划，并安全恢复或请求人工介入。
自主科学实验室机器人人在回路韧性实验机理模型
研究重点
自主科学不应只是机器人执行固定实验流程，或优化器选择下一个实验条件。我研究模型、实验室机器人和科学家如何形成一个可审计的整体闭环：实验数据决定下一步做什么，同时机器人执行本身也成为科学推理与质量判断的一部分。
我的重点是可信的混合自主性。人类保留对科学目标、约束和升级边界的最终权力；AI 与模型协助提出和解释实验；机器人负责执行并监测物理过程；当不确定性、设备行为或流程偏差不再支持自主继续时，系统必须能够识别这一点。
这也包含实验室自动化中常被忽略的韧性问题：异常结果可能来自新的科学现象，也可能是测量误差、机器人故障或流程违规。一个有用的机器人实验室应主动收集诊断证据，在合理时重复或重新配置步骤，完整保留实验来源信息，并知道何时把判断权交还给科学家。
当前研究
- 安全、韧性的机器人实验室流程，同时监测科学结果与物理执行质量。
- 具有明确授权边界、可追踪决策、人工干预节点和保守升级策略的人在回路自主系统。
- 基于模型的多酶通路表征：利用可微分机理模型开展拟合、信息分析、实验选择与模型诊断。
- 连接实验规划、物理执行、测量、模型更新、异常诊断与恢复的闭环工作流。
- 通过 UKRI Network+ DisCouRSE 项目推进可靠 AI 驱动自主实验室的方法与 dRTP 研究领导力。
代表性已发表工作
这些工作为模型驱动、可审计和可靠的闭环实验提供方法基础；自主实验室研究本身正在通过当前项目进一步扩展。