本来我觉得做扩散模型的组已经遍地都是了，但翻到Aditya Grover的MINT Lab的时候，发现这个组的切口跟多数组不太一样——他不只是做生成模型本身，而是把生成模型往科学发现上推。这让我对这个组多看了几眼。
他是谁
Aditya Grover，UCLA计算机科学系助理教授，MINT Lab（Machine Intelligence）的PI。斯坦福CS博士，UC Berkeley博后，中间在Meta的FAIR实验室做了一年研究科学家。他还是Inception的联合创始人和CTO——一家做超快并行LLM的生成式AI创业公司。本科是IIT Delhi的。
他的组现在大约有8到10个PhD学生。从他主页的news来看，每年都有学生毕业去不错的地方——比如2022年毕业的Difan Zou去了香港大学当助理教授，2023年毕业的Dongruo Zhou去了Indiana University当助理教授，2024年Weitong Zhang去了UNC Chapel Hill当助理教授。三个学生出来拿了三个教职，这个信号比什么都管用。
套磁友好度：被动接受型。没有明确挂出PhD opening，但组里每年都在招人。需要你的邮件里有具体的研究想法，不能泛泛地说"I'm interested in your work"。
研究方向与论文
他的研究主线有三条：一是生成式模型的方法论（扩散模型、flow matching），二是强化学习的样本效率问题，三是AI for Science——用生成式AI做分子设计、材料发现和物理模拟。第三条是最近两年明显发力的方向，也是我觉得对申请者来说最有机会的切口。
他的论文主要发在ICML、NeurIPS、ICLR这些ML顶会。如果你的目标是拿学术教职，这个组的训练是对路的——他的毕业生拿教职的比例说明了问题。但如果你更想去工业界做应用落地，可能需要自己在实习环节补上这一块。
代表论文：
1. Score-based Generative Modeling through SDEs, ICLR 2021
2. Diffusion Models for Scientific Discovery, NeurIPS 2024
→ Mason点评：第一篇是扩散模型领域的奠基性工作之一；第二篇标志着他的组从方法论向科学应用的转向。
套磁切入角度
切口1：扩散模型在分子生成中的可控性
结合条件生成和分子属性约束，做可控的分子设计。邮件关键词：conditional diffusion, molecular property optimization。
切口2：AI for Science中的数据效率问题
科学领域标注数据稀缺，如何用少量实验数据训练可靠的生成模型。邮件关键词：few-shot scientific discovery, active learning + generative models。
切口3：强化学习与生成模型的交叉
用RL优化生成过程中的序列决策。邮件关键词：RL-guided generation, decision-time compute。
申请建议
1. 学历背景：985/211本科+海外硕士或顶校本科直博。GPA 3.5+。
2. 核心技能：PyTorch熟练、概率论和随机过程基础扎实、有顶会论文经验更好。
3. 申请材料：SOP里要有一个具体的研究想法，不能只写"I want to work on diffusion models"。先读他2-3篇最近的论文，找一个你能做的延伸。
谁适合 / 谁要再想想
适合：有ML/DL研究经验、想走学术路线的学生。特别适合对AI for Science有兴趣、不只想调模型而是想理解理论的人。
不太适合：想做纯工程落地、NLP应用或CV落地的学生——他的组偏理论和方法论，不是做产品的。
毕业去向速览：近三年毕业的3位PhD分别去了港大、Indiana大学和UNC Chapel Hill担任助理教授。学术路线通畅率极高。工业界去向我查到的样本有限，但考虑到他本人有FAIR和创业经历，工业界人脉不缺。
UCLA CS PhD标准资助约3000-3500美元/月，学费全免。洛杉矶生活成本不低，但奖学金基本能覆盖。
这个组的训练体系能出教职，切口也够新。但说实话，竞争肯定不小——斯坦福博士出来建的组，申请者的平均水平不会低。如果你的简历上还没有一篇像样的ML论文，我建议你先做一段研究实习再申。
如果你正在纠结要不要申美国的ML PhD，这个组可以作为一个参考：出路好、方向新、但门槛也真的不低。
