一、导师简介
Prof. Ying Cui于2007年获西安交通大学电子信息工程学士学位，2012年取得香港科技大学电子与计算机工程博士学位。攻读博士期间，她曾赴耶鲁大学（2011）与麦考瑞大学（2012）担任访问学者。博士毕业后，Prof. Cui先后在美国东北大学（2012.6-2013.6）与麻省理工学院（2013.7-2014.12）开展博士后研究。2015年1月至2022年7月，她任职于上海交通大学担任副教授。自2022年8月起，Prof. Cui加入港科大（广州）物联网学域任副教授，并在港科大清水湾校区电子与计算机工程系兼任副教授职务。
学术产出方面，Prof. Cui在IEEE旗舰期刊发表论文逾80篇，在IEEE重要学术会议发表论文70篇。荣誉层面，她于2014年入选国家青年人才计划，2020至2024年连续五年入选斯坦福大学全球前2%科学家榜单，并获IEEE ICC 2015与IEEE GLOBECOM 2021最佳论文奖。目前担任IEEE Transactions on Wireless Communications期刊编委。
二、近期文章和项目解析
Prof. Cui的2025年发表记录显示，其研究聚焦三大主线：物联网频谱资源优化、物理信息机器学习范式转换，以及6G自主网络架构。
2.1 非授权频谱的多小区物联网最优频段分配
发表于IEEE Transactions on Wireless Communications的文章探讨多小区物联网在非授权频谱上的最优频段分配策略。该研究直接回应物联网设备密度激增导致的频谱稀缺问题。传统授权频谱分配机制在规模化物联网场景下显现出灵活性不足，而非授权频谱（如ISM频段）的开放接入特性虽缓解容量压力，却引入跨系统干扰协调复杂性。Prof. Cui的研究将频段分配建模为优化问题，通过跨小区协同机制实现干扰最小化与容量最大化之间的权衡。技术层面，该工作可能采用博弈论或分布式优化框架，使各小区接入点在不共享完整信道状态信息前提下，仍能收敛至全局近似最优解。这一方向与港科大（广州）物联网学域强调的"大规模异构网络资源管理"高度契合。
2.2 物理信息机器学习向凸优化的范式转换
Engineering Applications of Artificial Intelligence刊载的文章提出将物理信息机器学习（Physics-Informed Machine Learning, PIML）转化为凸优化问题。PIML的核心思想是在损失函数中嵌入物理定律约束，使神经网络学习过程遵循质量守恒、能量守恒等先验知识。然而，非凸损失函数导致训练不稳定与解释性缺失。Prof. Cui与合作者通过数学变换，将特定物理约束下的学习问题重构为凸优化形式。此举带来三方面优势：第一，保证全局最优解存在性与唯一性；第二，显著降低计算复杂度，规避梯度消失与局部最优陷阱；第三，提升模型可解释性，使学习结果具备物理一致性。该工作应用于无线通信领域，可能用于信道建模、波束成形设计或功率控制，其中电磁波传播规律作为物理先验嵌入学习框架。这种"凸化"思路在工程应用中具有实际价值，因其可将复杂学习问题转化为成熟优化工具箱可求解的标准形式。
2.3 大规模无授权接入中的快速设备活动检测
IEEE Transactions on Wireless Communications与IEEE ICC Workshops接受的系列论文研究基于最大似然估计（MLE）与最大后验概率（MAPE）的快速设备活动检测算法，面向大规模无授权接入场景。无授权免调度接入（Grant-Free Access）是5G/6G支持海量机器类通信（mMTC）的关键技术，设备无需基站许可即可随机接入，大幅降低信令开销。核心挑战在于基站需从海量潜在设备中识别少数活跃用户，此问题本质上是压缩感知中的稀疏信号恢复。Prof. Cui提出的PSCA（Probabilistic Structured Compressed Aggregation）及其神经网络版本PSCA-Net，利用设备活动概率的先验分布与稀疏结构，将检测复杂度从O(n³)降至接近线性。PSCA-Net采用深度学习端到端学习稀疏恢复算子，避免传统迭代算法的重复计算。该工作获GLOBECOM 2021最佳论文奖，显示其在学术界的认可度。实际系统中，快速检测能力直接决定接入延迟与系统吞吐量，尤其在工业物联网、车联网等对时效性敏感场景中。
2.4 6G自主无线接入网络：AI与网络数字孪生赋能
Frontiers of Information Technology and Electronic Engineering刊登的综述文章"6G autonomous radio access network empowered by artificial intelligence and network digital twin"由Prof. Cui作为合作者参与撰写。该文提出6G自主RAN技术框架，以原生云、原生AI与网络数字孪生（NDT）为核心要素。网络数字孪生被定义为物理网络的虚拟镜像，通过实时数据流与双向交互接口，实现高精度仿真与预验证。区别于传统静态网络仿真，NDT具备动态建模、实时数据同步、闭环控制等特征。文章指出，6G网络将超越5G的通信单一定位，原生集成感知、计算、AI、大数据与安全能力，实现"万物即服务"（Everything as a Service）。AI与NDT结合形成闭环管理机制：NDT为AI算法提供安全的训练与预验证环境，避免直接在网络运维中部署未经测试的AI模型导致意外损失；AI则驱动NDT的持续优化与自主决策。该框架包括服务化架构重构RAN协议栈、原生AI框架协调通信与算力、NDT支持AI算法验证三层设计。此研究方向与工业界白皮书提出的6G数字孪生网络技术问题高度一致，包括构建通用化孪生内容、实现虚拟场景可控生成、提升真实数据利用效率等挑战。
三、未来研究预测
基于Prof. Cui的研究轨迹与当前6G技术演进趋势，其团队未来可能聚焦以下方向：
3.1 网络数字孪生的工程化落地
当前NDT研究多停留在概念与架构层面，Prof. Cui的优化理论背景使其具备推动工程化落地的独特优势。未来工作可能包括：第一，开发低复杂度孪生建模方法，解决无线网络高维状态空间带来的"维度灾难"。通过压缩感知或矩阵分解技术，从稀疏测量数据重构完整网络状态，降低孪生构建的数据采集成本。第二，设计孪生与现实网络的异步同步机制。由于实时全量数据同步开销巨大，研究事件驱动或周期性批量同步策略，在保证孪生保真度的前提下最小化信令负载。第三，构建NDT驱动的自主优化闭环。孪生不仅用于离线仿真，更作为在线决策的"影子系统"，在物理网络运行同时，孪生中并行执行多种优化策略，通过A/B测试选择最优方案并推送至物理网络。这种"数字孪生即服务"模式或将成为6G网络自动化运维的标准范式。
3.2 大规模AI原生无线接入
6G网络将AI从附加功能提升为原生能力。Prof. Cui在分布式学习与联邦学习方面的积累可应用于RAN智能体的协同训练。具体而言，每个基站作为联邦学习客户端，在本地数据上训练AI模型（如流量预测、用户行为识别），通过模型聚合而非原始数据交换实现全局模型更新，保护用户隐私。挑战在于基站间数据非独立同分布导致模型偏差，以及通信开销与模型精度的权衡。未来研究可能探索分层联邦架构：宏基站负责粗粒度全局聚合，微基站进行细粒度局部微调。此外，AI模型本身的轻量化设计亦需优化理论支撑，如神经网络架构搜索（NAS）寻找最优层数与宽度，或知识蒸馏将大模型压缩至边缘设备可运行的小模型。
3.3 通感算一体化资源调度
6G愿景强调通信、感知、计算功能融合。基站不仅传输数据，还具备雷达式环境感知与边缘计算能力。Prof. Cui在移动边缘缓存与计算领域的经验可直接迁移至此场景。通感算一体化带来新型资源约束：感知波形设计需兼顾通信信道估计精度与目标检测分辨率；计算任务卸载需考虑CPU周期、内存带宽与通信时延的联合优化。可将其建模为多目标优化问题，采用分解法或帕累托前沿搜索获取均衡解。例如，在车联网场景中，基站通过感知获取车辆位置与速度，预测链路质量，动态调整波束方向与计算卸载策略，实现超低时延高可靠通信。此方向需跨学科知识整合，正是Prof. Cui多元化研究背景的用武之地。
3.4 后香农时代的信息论基础
现有研究多基于经典信息论框架，但6G引入AI使传统容量定义不再充分适用。 Prof. Cui的优化理论深度使其可能涉足"学习-centric"信息论，量化AI任务（如分类、检测）在端到端系统中的失真率函数。例如，设备活动检测的误差概率不仅取决于信道容量，更与压缩感知恢复算法的相干性、测量矩阵设计相关。未来或建立"任务导向"的通信优化理论，直接最小化学习任务损失而非最大化比特传输速率，形成后香农时代的通信-学习联合设计范式。此方向理论挑战性高，但一旦突破，将为AI原生网络提供第一性原理支撑。
【竞赛报名/项目咨询+微信：mollywei007】
