刘程畅本科就读于中国科学技术大学统计系，2022年获得学士学位，随后进入香港中文大学计算机科学与工程系攻读博士学位，师从John C. S. Lui教授，2026年获得博士学位。2024年，他曾赴香港中文大学（深圳）访问，参与罗智泉教授的课题研究。
他的研究主要围绕机器学习优化展开，关注如何让算法用更少的计算资源、更快地找到问题的最优解，同时保证理论上的可靠性。从传统优化算法到大模型训练、量子计算，他一直在探索提升计算效率的方法。
博士期间，刘程畅的研究重点之一是二阶优化方法。这类方法能够利用更多问题信息加快算法收敛，但计算成本也相对较高。如何减少计算开销，同时保留二阶方法的效率优势，是他持续研究的问题。
2022年，他以第一作者身份完成的两项研究分别被KDD和NeurIPS收录。
其中，KDD 2022收录的部分拟牛顿方法，针对极小极大优化中不同变量规模不均衡的问题，通过只在较小规模的一侧使用二阶信息，减少不必要的计算，获得KDD 2022最佳论文奖亚军。另一项NeurIPS 2022收录的研究则改进了传统拟牛顿方法处理鞍点问题的方式，入选NeurIPS 2022 Spotlight。
2025年，他参与的Lazy Hessians研究入选ICLR 2025 Oral。该方法通过复用此前计算过的二阶信息，减少重复计算，提升优化效率。
同年，关于凸—凹优化问题二阶 Oracle 复杂度的研究获得COLT 2025 Mark Fulk 最佳学生论文奖，进一步推进了相关问题的理论复杂度界。
刘程畅的研究还延伸到了量子计算，重点关注如何利用量子算法求解非光滑非凸优化、极小极大优化等复杂问题，并通过量子估计和二阶信息利用，在无法直接获取梯度的情况下减少算法所需的查询次数。
除研究外，刘程畅还是国家自然科学基金博士生基础研究项目负责人（2025—2026年），并担任NeurIPS、ICLR、ICML、AISTATS、AAAI等会议审稿人。
加入西湖大学后，他将重点开展三个方向的研究：大语言模型训练优化，尤其是监督微调与强化学习；量子计算与优化的结合；以及面向科学、工程和具身智能等领域的优化算法研究。
END
关注+星标，获取AI前沿进展与开源一线动态