招生要求
香港科技大学（广州）博士项目的入学标准分为三个层面：学历背景、英语能力与学术表现。
学历方面，申请者须持有认可院校颁发的学士学位或同等学历。申请博士项目者，除满足上述条件外，还需提供以下证明之一：在认可院校取得优异成绩记录，或在研究生阶段以全日制方式完成至少一年、非全日制方式完成至少两年的学业且表现合格。
英语能力要求具体如下：托福网考（TOEFL-iBT）80分（2026年1月21日前考试）或4.5分（2026年1月21日后考试）；托福纸考（TOEFL-pBT）550分；托福修订版纸笔考试60分（阅读、听力、写作总分）；雅思学术类（IELTS Academic）总分6.5分且单项不低于5.5分。若申请者的母语为英语，或所获学士学位（或同等学历）的授课语言为英语，可豁免英语成绩要求。
学术表现方面，博士申请者须具备突出的学业成绩记录。研究生奖学金（PGS）资助的博士生每月可获得15,000元人民币津贴，最长资助期限为4年；学费为每学年40,000元人民币。
研究方向
Chao Fang教授现任香港科技大学（广州）功能枢纽可持续能源与环境学域助理教授，同时隶属于BEST Lab（Brilliant Energy Science and Technology Lab）。其学术背景涵盖中国科学技术大学理论与应用力学学士学位（2015年）与弗吉尼亚理工大学机械工程博士学位（2019年），后于加州大学伯克利分校及劳伦斯伯克利国家实验室从事博士后研究。
Fang教授的研究聚焦于软物质能源材料中的跨尺度输运机制，具体包括以下四个方向：
1. 能源存储与转化用电解质的理论与计算研究
2. 纳米流体与界面输运现象
3. 聚合物物理学
4. 分子建模中的人工智能应用
在学术产出方面，Fang教授以第一作者或通讯作者身份在Nature Materials、Science Advances、Physical Review Letters、JACS Au、Chemical Science、ACS Macro Letters等期刊发表20余篇论文。其学术服务包括担任Molecules期刊（SCI Q2）客座编辑，以及为Nature Communications、Nano Letters等十余种SCI期刊审稿。
有想法
基于Fang教授的研究方向与当前能源材料领域的前沿进展，以下提出三个具有可行性的创新研究计划：
想法一：基于机器学习势函数的快离子导体高通量筛选
当前固态电解质的设计面临离子电导率与电化学稳定性难以兼顾的瓶颈。传统密度泛函理论（DFT）计算虽精度较高，但计算成本限制了其在大规模材料筛选中的应用。可开发针对锂/钠离子导体的机器学习势函数（Machine Learning Potentials），结合已有的Materials Project与AFLOW数据库，构建包含晶体结构、离子迁移能垒、电子结构特征的描述符空间。通过主动学习策略迭代优化势函数精度，实现对新型硫化物、氧化物及卤化物电解质的高通量筛选。该方向可与实验组合作，对筛选出的候选材料进行合成与电化学表征，形成"计算预测-实验验证"的闭环研究模式。
想法二：聚合物电解质中离子输运与链段动力学的耦合机制研究
聚合物电解质（如PEO基体系）的离子电导率强烈依赖于链段运动与离子配位环境的动态耦合。现有分子动力学模拟多聚焦于单一时间尺度，难以捕捉从皮秒级离子跳跃到微秒级链段松弛的跨尺度过程。可开发基于非平衡态分子动力学（Nonequilibrium Molecular Dynamics）与粗粒化模型（Coarse-Grained Modeling）相结合的多尺度模拟框架，系统研究不同盐浓度、温度及分子量条件下，离子输运与聚合物松弛行为的关联规律。特别关注界面处（如电极/电解质界面）的离子浓度极化现象及其对电池循环稳定性的影响，为设计新型复合聚合物电解质提供理论指导。
想法三：纳米限域流体中的反常输运现象及其在能源器件中的应用
纳米通道中的流体输运常表现出违反连续介质假设的"反常"行为，如滑移边界条件、离子选择性输运等。这些现象在蓝色能源（Blue Energy）收集、渗透能转化等新兴领域具有应用潜力。可结合分子动力学模拟与连续介质理论，建立能够描述纳米限域效应的跨尺度理论模型。研究重点包括：表面电荷分布对离子选择性的调控机制、二维材料（如MoS2、石墨烯）纳米孔中的水/离子共输运行为、以及仿生纳米通道设计原理。进一步探索将这些原理应用于新型渗透能发电装置或离子整流器件的可行性。
从Fang教授的学术履历可见，其研究路径呈现出典型的"力学基础-能源应用-计算方法"三位一体特征。中国科学技术大学的理论与应用力学背景为其奠定了扎实的连续介质力学与数学功底，而弗吉尼亚理工大学的机械工程博士训练则转向能源材料领域。这种跨学科背景使其能够在软物质物理与能源科学的交叉地带找到独特的研究定位。
值得注意的是，Fang教授在UC Berkeley与劳伦斯伯克利国家实验室的博士后经历正处于计算材料科学快速发展的时期。这一时期，机器学习在分子模拟中的应用开始从概念走向实践，而Fang教授将AI in Molecular Modeling列为独立研究方向，表明其对这一技术趋势的敏锐把握。对于有意申请的学生而言，具备计算物理/化学背景的同时，掌握Python编程与机器学习框架（如PyTorch、TensorFlow）将成为重要的竞争优势。
从发表记录看，Fang教授在Nature Materials与Physical Review Letters等顶刊的论文多聚焦于离子输运的基础物理机制，而非单纯的材料性能报告。这提示其研究风格偏向"机理解析"而非"性能优化"，适合对基础科学问题有强烈兴趣的博士生。申请者若在个人陈述中能够提出具体的科学问题（如"界面溶剂化结构如何影响离子脱溶剂化能垒"），而非泛泛而谈"对新能源感兴趣"，将更容易获得认可。
最后，HKUST(GZ)作为新成立的校区，其跨学科枢纽（Hub）与学域（Thrust）的组织架构为交叉研究提供了制度保障。可持续能源与环境学域（SEE Thrust）涵盖能源材料、环境科学、碳中和政策等多个维度，博士生有机会与不同背景的学者合作。这种环境特别适合希望打破传统学科壁垒、从事前沿交叉研究的学生。
