麻省理工学院公布2024年MAD设计研究员名单

留学申请微信咨询

微信扫描左侧二维码

或点击下方按钮咨询

麻省理工学院（2024USNews美国大学排名：2）（MIT）近日公布了2024年MAD设计研究员名单，这些研究员是MIT的研究生，他们在设计与多个学科的交叉领域进行工作。自2022年成立以来，MIT晨兴设计学院（MAD）通过奖学金支持MIT研究生，使他们能够从事设计研究和项目，同时创建社区。2024年的设计研究员们在可持续性、健康、建筑、城市规划、工程和社会正义等领域探索解决方案。具体研究项目包括：索菲亚·奇亚佩罗（Sofia Chiappero）在社区发展与技术的交叉点工作，旨在解决拉丁美洲弱势社区面临的挑战；克莱门斯·库托（Clemence Couteau）开发一种数字解决方案，以应对美国母亲产后抑郁症的上升；马特奥·费尔南德斯（Mateo Fernandez）探索使用生物材料和先进3D打印技术建造建筑的替代方法；夏洛特·福林纳斯（Charlotte Folinus）设计用于温和互动和不确定环境的软体机器人；亚历山大·赫特·乔（Alexander Htet Kyaw）利用机器人组装和生成式AI挑战传统制造和加工实践；丹尼·洛佩兹（Dení López）通过设计研究评估和扩展灾害恢复的参与性行动研究计划；凯特琳·莫里斯（Caitlin Morris）研究多感官对认知和学习的影响；马克辛·佩罗尼-沙夫（Maxine Perroni-Scharf）开发极端特性材料的设计技术；莱尔·雷根韦特（Lyle Regenwetter）将设计要求纳入生成式AI模型的训练过程；赞恩·谢默（Zane Schemmer）设计考虑当地材料可用性的高效结构，以减少建筑环境的碳足迹。

MIT MAD设计研究员2024

麻省理工学院（MIT）晨兴设计学院（MAD）自2022年成立以来，致力于通过奖学金支持MIT研究生，使他们能够从事设计研究和项目，同时创建社区。2024年的设计研究员们在多个领域探索解决方案，包括可持续性、健康、建筑、城市规划、工程和社会正义等。这些研究员不仅在学术上有着卓越的表现，还在实际应用中展现了他们的创新能力。

例如，索菲亚·奇亚佩罗（Sofia Chiappero）在社区发展与技术的交叉点工作，旨在解决拉丁美洲弱势社区面临的挑战。她的研究不仅关注技术的应用，还注重如何通过技术改善社区的生活质量。克莱门斯·库托（Clemence Couteau）则开发了一种数字解决方案，以应对美国母亲产后抑郁症的上升。她的研究不仅具有重要的社会意义，还为公共健康领域提供了新的视角。

马特奥·费尔南德斯（Mateo Fernandez）探索使用生物材料和先进3D打印技术建造建筑的替代方法，这不仅有助于减少建筑材料的浪费，还能提高建筑的可持续性。夏洛特·福林纳斯（Charlotte Folinus）设计用于温和互动和不确定环境的软体机器人，这种机器人在医疗和护理领域有着广泛的应用前景。亚历山大·赫特·乔（Alexander Htet Kyaw）利用机器人组装和生成式AI挑战传统制造和加工实践，这为制造业带来了新的可能性。

丹尼·洛佩兹（Dení López）通过设计研究评估和扩展灾害恢复的参与性行动研究计划，她的研究不仅关注灾害后的恢复，还注重如何通过设计提高社区的抗灾能力。凯特琳·莫里斯（Caitlin Morris）研究多感官对认知和学习的影响，她的研究为教育领域提供了新的方法和工具。马克辛·佩罗尼-沙夫（Maxine Perroni-Scharf）开发极端特性材料的设计技术，这为材料科学领域带来了新的突破。莱尔·雷根韦特（Lyle Regenwetter）将设计要求纳入生成式AI模型的训练过程，这为AI在设计领域的应用提供了新的思路。赞恩·谢默（Zane Schemmer）设计考虑当地材料可用性的高效结构，以减少建筑环境的碳足迹，这为可持续建筑提供了新的解决方案。

跨学科设计研究在MIT

麻省理工学院（MIT）一直以来都以其跨学科的研究和创新而闻名。2024年阿玛尔·G·博斯研究资助计划的获奖者就是一个很好的例子。该计划旨在支持跨学科和高风险的创新研究项目。今年的获奖者包括材料科学与工程助理教授Iwnetim Abate、地球、大气和行星科学副教授Andrew Babbin、材料科学与工程及电气工程与计算机科学教授Yoel Fink，以及建筑系设计研究副教授Skylar Tibbits。

Abate的项目旨在通过地壳中的超镁铁质矿物岩石生成清洁氢气，同时封存二氧化碳并提取电池所需的关键元素。Babbin的研究则计划利用鲨鱼作为海洋氧气监测平台，以追踪海洋中溶解氧的变化。Fink的团队正在开发一种孕妇穿戴的声学面料衬衫，用于监测胎儿健康。Tibbits则计划在冰岛建造一座几乎完全由玄武岩构成的环保房屋。

这些项目不仅展示了MIT在跨学科研究方面的实力，还体现了MIT在解决全球性问题方面的创新能力。通过跨学科的合作，MIT的研究人员能够从不同的角度出发，提出更加全面和创新的解决方案。

生成式AI模型训练中的设计要求

麻省理工学院（MIT）的研究人员在一项新研究中指出，生成式AI在工程设计中需要超越“统计相似性”才能真正实现创新。研究表明，当前的深度生成模型（DGM）在设计全新物品时表现不佳，因为它们主要关注生成与已有数据相似的内容。研究团队通过自行车车架设计案例展示了这一问题，发现这些模型生成的新车架虽然在外观上与已有设计相似，但在工程性能和要求上却表现不佳。

研究人员提出，如果希望AI在工程设计中提供帮助，必须重新调整这些模型的目标，使其不仅关注统计相似性，还要考虑工程性能和设计约束。研究团队测试了几种专门为工程任务设计的DGM，发现这些模型在生成更具创新性和高性能的设计方面表现更好。研究表明，AI可以成为工程设计的有效“副驾驶”，但前提是要明确设计要求并调整模型的训练目标。

这种研究不仅为AI在设计领域的应用提供了新的思路，还为其他工程领域如分子设计和土木基础设施中AI的应用提供了参考。通过明确设计要求并调整模型的训练目标，AI可以在更多领域中发挥其潜力，提供更加创新和高效的解决方案。