刘祥根

Dr. Xianggen Liu is an Associate Professor and Doctoral Advisor at Sichuan University. Selected for the Tianfu Emei Plan (Sichuan Provincial Thousand Talents Program), he currently leads a National Key R&D Program project on industrial software. Dr. Liu obtained his PhD from Tsinghua University in 2021 and then joined Sichuan University. His primary research focuses on text generation, pattern recognition, and AI for drug design. With over 30 peer-reviewed publications in venues including Nature Communications and ACL, his paper on controllable text generation at ACL has accumulated 100+ citations according to Google Scholar. A separate study on few-shot representation learning has been designated as a Highly Cited Paper by Web of Science.

• 在Nature Communications等国际重要期刊会议上发表学术论文 30 余篇，其中一篇少样本表征学习论文被列为高被引文章。
• 以第一作者发表在人工智能顶级会议ACL上的文本可控生成的文章单篇被引100余次。
• 担任中国生物工程学会计算生物与生物信息专委会委员、中国药学会麻醉药物专委会委员等职务。
• 常年担任AAAI、IJCAI、ICML、NeurIPS、ICCV、ACL、ICLR、EMNLP、ACM MM、NLPCC、IEEE Transactions on Neural Networks and Learning Systems(TNNLS)、 TCBB等20余种国际权威会议和期刊的审稿人。

• 作为负责人主持国家重点研发计划、自然科学基金青年基金、四川省重大专项、工信部工业互联网专项等十余项国家和部委重大科学研究项目，累计获得纵向科研研究经费超过1000万元。
• 在实验室主任吕建成教授带领下，获得多项人工智能技术突破，建立全国第一个“工艺大模型”，工艺设计准确率超过95%，显著提升了传统人工工艺设计的效率，在中国电科某所等多家制造单位进行实际部署和应用。
• 刘祥根与中国电科、东方电器、中国电信、蚂蚁金服等众多行业龙头单位与政府单位保持密切良好关系, 积极推进前沿科学研究的实际落地。
• 指导本科生进行学科竞赛和科研学术活动，指导多名本科生以第一作者发表高水平论文，带领学生获得大创省级、国家级立项，机器人与人工智能竞赛全国一等奖，中国成都国际软件设计与应用大赛第二名等成绩。
• 与国内多家头部互联网企业和制造企业（蚂蚁金服、腾讯微信、东方电气、四川电信等）有长期的科研合作关系。
• 部分项目：
  [1] 面向复述生成的深度规则神经网络方法研究，国家自然科学基金青年基金，负责人
  [2] 行业创新研发及服务的多模态大模型，国家重点研发计划课题，负责人
  [3] 制造工艺生成式设计工业大模型应用示范，四川省重大专项课题，负责人

•  Yu, J. L., Zhou, C., Ning, X. L., Mou, J., Meng, F. B., Wu, J. W., …, Liu, X#& Li, G#. (2025). Knowledge-guided diffusion model for 3D ligand-pharmacophore mapping. Nature Communications, 16(1), 2269.
• Xue, Z., Sun, C., Zheng, W., Lv, J., & Liu, X. (2025). TargetSA: adaptive simulated annealing for target-specific drug design. Bioinformatics, 41(1), btae730.
• Luo, H., Liu, Y., Liu, P., & Liu, X. (2023). Vector-Quantized Prompt Learning for Paraphrase Generation. EMNLP Findings, 2023.
• Mo S, Wang H, Li B, et al. TimeSQL: Improving multivariate time series forecasting with multi-scale patching and smooth quadratic loss[J]. Information Sciences, 2024, 671: 120652.
• Zhang, W., Mo, S., Liu, X., & Song, S. (2022). Learning robust rule representations for abstract reasoning via internal inferences. Advances in Neural Information Processing Systems (NeurIPS), 35, 33550-33562.
• Shen, X., Liu, X., Hu, X., Zhang, D., & Song, S. (2022). Contrastive learning of subject-invariant EEG representations for cross-subject emotion recognition. IEEE Transactions on Affective Computing, 14(3), 2496-2511.
• Liu, X., Lei, W., Lv, J., Zhou, J., & Raedt, L. D. (2022). Abstract Rule Learning for Paraphrase Generation. In IJCAI (pp. 4273-4279).