陈律达，致远学院2026届计算机科学方向（约翰·霍普克罗夫特班）毕业生，本科期间师从严骏驰教授，以第一作者身份发表顶会ICLR一篇，以共同第一作者身份发表顶会NeurIPS一篇。本科毕业后，他将留校上海交通大学继续攻读博士学位，深耕人工智能与组合优化交叉研究。
自入学以来，陈律达便对编程与项目开发怀有浓厚的兴趣。这份由代码点燃的热情，不仅驱动着他不断深入技术的细节，也成为他希望转入计算机专业的核心动力。为了迈向这个目标，他在大一便着力夯实数理基础，最终以专业第一名的成绩，于大一下学期成功转入致远学院计算机科学John班。在这里，他真正找到了属于自己的舞台。许多课程的大作业都以开放性项目的形式展开：在“程序设计与数据结构-III”课程中，他完成了五子棋AI与人机对战前端的构建；在“强化学习”课程中，他探究了重型编码器对组合优化求解智能体性能的影响；在“自然语言处理”课程中，他探索了如何通过连续空间中的思考压缩来优化思维链。每一次项目实践，都是他对技术边界的主动拓展，也为他后续的科研探索埋下了伏笔。从游戏对弈到算法决策，从语言理解到推理加速，他愈发感受到，人工智能正在成为赋能各行各业、解决复杂问题的关键力量，而“AI+X”的交叉研究，正是他心之所向的远方。
陈律达初次接触运筹优化，是在“杉树杯”数学建模精英联赛上。面对复杂的地铁乘务人员排班优化问题，他首次尝试使用Gurobi、COPT等专业优化求解器。他的队伍是竞赛中少数采用运筹优化求解方案的团队之一，并且是仅有的两支成功求得排班最优解的队伍之一，最终荣获COPT应用奖。通过这次竞赛，陈律达不仅真切感受到运筹优化在现实世界中的广泛应用潜力，也由此开启了对这一领域的初步探索与认知。
随后的强化学习课程中，大作业自主选题阶段，陈律达偶然读到一篇运用机器学习方法求解运筹优化问题的论文。文中不依赖人工设计的启发式规则，而是让模型从数据中自动学习求解策略，这让他意识到：机器学习在组合优化中的角色可以不止于模式识别，而是直接参与决策路径的搜索。受此启发，他决定将机器学习与组合优化的结合作为自己的研究方向，并主动联系相关实验室，开始系统性地阅读文献、复现基线方法，逐步深入这一领域。
陈律达自大三起加入上海交通大学ReThinkLab实验室，致力于使用机器学习增强组合优化求解。在严骏驰老师鼓励本科生放下思想包袱、发挥科研潜力的理念引导下，他得以自主设计研究课题。在这种鼓励探索的氛围中，他大胆尝试将基于搜索的神经网络求解器进行并行化，并将原有的强化学习训练过程重构为一个监督学习问题，最终显著降低了训练成本，求解性能也达到了SOTA水平。作为科研生涯的开端，这段经历对陈律达意义重大，不仅锻炼了他的工程实践能力，更培养了他敢于质疑现有框架、勇于开拓的科研精神。
取得阶段性成果后，陈律达并未停下探索脚步。依托前期对搜索算法的深刻理解，他再次挑战组合优化求解器设计的固有路径，将搜索思想引入基于扩散模型的求解器中。他敏锐地意识到，传统扩散求解器往往依赖不断增加去噪步数来换取性能，这种方式既低效又缺乏灵活性。为此，他创新性地将流模型生成作为搜索算子，系统性地提出了GenSCO框架。在这一工作中，他将扩散采样重新定义为一种迭代式搜索过程，每一步都融合局部搜索扰动与修正流采样，从而在不依赖大量去噪步数的情况下，实现对解空间的高效探索。最终，GenSCO在TSP、MIS、MCL等多个经典组合优化问题上相比此前最先进的方法实现了10至200倍的推理加速，同时保持了优异的求解质量。这一系列成果不仅验证了他对“搜索+生成”这一交叉思路的独到判断，也真正做到突破了基于扩散的组合优化求解器的缩放定律限制。这项以他为共同第一作者的工作最终被顶会NeurIPS 2025接收，对陈律达而言，这次探索再次印证了他敢于打破常规、在已有框架上重构问题的科研信念，也让他更加坚定地走向属于自己的科研道路。
在接连取得突破性成果之后，陈律达并未因此满足，而是继续沿着“质疑框架、重构问题”的科研信念前行。他意识到，尽管基于搜索和扩散的方法已在组合优化中展现出强大潜力，但主流方法仍然存在一个根本性局限：它们大多将优化问题建模为“一次性构造”或“逐步改进”，忽视了最优解中蕴藏的丰富局部结构信息，导致数据利用效率低下，训练成本高昂，泛化能力受限。受到自然语言处理与计算机视觉中自监督预训练范式的启发，陈律达提出了一个大胆的问题：组合优化能否也拥有类似BERT或MAE的“掩码生成”式训练范式？基于这一设想，他主导设计了MaskCO，一个全新的掩码生成学习框架，将组合优化问题重构为在给定参考解上的自监督学习过程。MaskCO的核心创新在于：在训练阶段，模型不是直接学习从实例到最优解的端到端映射，而是通过随机掩码最优解中的部分变量，训练模型从部分上下文中恢复完整解。这一策略将单一实例-最优解对转化为海量的局部学习信号，迫使模型内化最优解中的细粒度结构依赖关系。在推理阶段，MaskCO设计了一种“掩码-重建”迭代优化机制，模型通过反复掩码和重建解的部分结构，逐步提升解的质量，实现高效搜索。实验结果表明，MaskCO在TSP等多个组合优化问题上均取得了超过99%的最优性差距降低，并实现了10倍以上的求解加速，刷新了多项任务的SOTA记录。
陈律达的这一工作以第一作者的身份被顶会ICLR 2026接收，不仅再次验证了他“敢于打破常规、重构问题”的科研判断，也标志着他从工程实践走向系统性方法论创新的成熟。MaskCO成为他科研道路上又一座重要的里程碑。
在组合优化之外，陈律达还关注到人工智能在医学领域的应用潜力。在“医+X”交叉学科项目大学生创新项目（PRP）中，他与组员合作，探索利用人工智能技术建立眼动指标与认知表现之间的关系。他们设计多模态眼动任务，发现特异性眼动标志物，并建立了无创筛查模型，实现了对轻度认知功能障碍（aMCI）的早期快速筛查。该研究为认知障碍的便捷化、低成本早期识别提供了新的技术路径。
此外，陈律达还参与了糖尿病相关的交叉研究课题。他尝试将机器学习方法应用于糖尿病患者的疾病预测，探索AI在糖尿病并发症无创预筛中的可行性与临床价值。这些跨界尝试不仅拓宽了他的研究视野，也让他更加坚定了用人工智能赋能多学科、解决真实世界问题的信念。
回首在致远学院的求学时光，陈律达的每一步成长都与国家科技创新的脉搏同频共振。他深知，无论是智慧交通、智能制造，还是医疗健康，背后都离不开智能决策技术的支撑，而“AI+X”的交叉研究正是他坚定不移的追求方向。展望未来，他计划毕业后在交大继续读博深造，致力于将人工智能与运筹优化的研究成果落地到供应链、物流、大健康等国家重大需求场景中。他始终坚信，个人的理想只有融入国家发展与行业进步的洪流中，才能获得最深沉的力量。他愿以脚踏实地的行动，践行“饮水思源、爱国荣校”的交大校训，在赋能百业的时代答卷上，写下属于自己的答案。