关于我
我是特斯拉（Tesla）能源与充电可靠性工程部门的机器学习工程师，负责构建和评估用于可靠性工程的大语言模型（LLM）智能体系统，以及用于特斯拉产品健康预测的物理信息机器学习模型。
我在佐治亚理工学院（Georgia Tech）跨学科的计算科学与工程（Computational Science and Engineering）项目获得博士学位，导师为 Cassie S. Mitchell 教授，隶属于 Laboratory for Pathology Dynamics 实验室。此前，我在同一项目获得硕士学位，由 B. Aditya Prakash 教授 和 Lauren N. Steimle 教授 共同指导，研究方向为病理动力学、流行病与人类行为的数据驱动建模与控制。我本科毕业于美国南卡罗来纳州的 Presbyterian College，获经济学与数学学士学位。博士期间，我曾在 Amazon、特斯拉 和 Berkeley Lab 实习。
在特斯拉的工作
我的工作重点是让大语言模型智能体（LLM-agent）工作流具备足够的可信度，以支持正式的可靠性工程流程。
- 面向 FMEA 的大语言模型智能体评估。 我设计并优化用于起草故障模式与影响分析（FMEA）的 AI 智能体工作流，并构建评估体系，使其结果与专家判断和偏好保持一致
- 基于知识图谱的故障树生成。 我利用大语言模型构建的知识图谱评估并生成故障树分析
研究兴趣
我博士研究的核心主题是将现代生成模型与语言模型，与受扰动影响的结构化或物理系统相结合; 从疾病的病理动力学，到工业可靠性流程与人类移动性。近期，我一直在探索生成式扩散/流模型（diffusion/flow models）、大语言模型智能体评估、随机最优控制以及网络科学。
生物力学生成模型（Bio-mechanistic Generative Models）
- 用于生成神经系统疾病下脑连接组的变分自编码器（VAE）类方法（IJMS 2025）。
- 基于评分网络扩散（score-based network diffusion）的神经退行性疾病中动态脑连接组脆弱性研究（NPJ DEMENTIA）。
- 扩散桥采样器与随机最优控制 （标题因匿名评审暂略）。
其他工作（Additional Work）
- 基于在线数据的类流行病事件型网络扩散过程的源鲁棒非参数重构（BDCC 2025）
- 利用社区驱动应用中的在线确认信息增强贝叶斯主题模型（BuildSys 2023）
- 住宅建筑的代表性深灰箱热力学模型（Energy & Buildings 2024）
- 用于定位 COVID-19 干预措施的实证 WiFi 数据集（Frontiers in Digital Health 2023）
工作之外，我是一个爱做梦的人、一个读者，也是音乐剧、体育赛事和演唱会的热情观众 (🖤🩷)。
联系方式
- 邮箱：jiajixie@tesla.com
- 简历：下载 PDF （更新于 2026 年 8 月）