一、基本情况：
物理系教授，博士生导师。
2001/9–2005/6, 重庆大学, 应用物理, 学士
2005/9–2010/6, 重庆大学, 理论物理, 博士
2008/9-2010/2，美国德克萨斯大学，联合培养博士
2010/7-2012/9,重庆大学,物理学院物理系,讲师
2012/9-2019/9,重庆大学,物理学院物理系,副教授
2016/11-2017/11，美国阿拉巴马大学，访问学者
2019/9至今，重庆大学，物理学院物理系，教授
本人从事引力波探测相关工作已有近20年时间，2008－2010年曾在美国LIGO科学团队进行数据处理工作，在此期间本人围绕黑洞ringdown模板波形进行了一系列的匹配滤波工作。2017年再次通过LIGO清华组加入LIGO机器学习小组进行针对引力波信号和探测器glitch的机器学习，这些经历为其进一步从事深度学习与引力波探测结合的工作打下了坚实的基础。本人所在团队成员大多长期从事理论物理尤其是宇宙学、广义相对论与引力波的研究工作，同时还有对信号处理技术有着丰富经验的研究人员。我们在宇宙学模型的建立、引力波辐射机制、引力波的时空性质以及人工智能等各方面都进行了大量的研究，先后承担完成国家级、省部级和校级相关科研项目共计10余项。近五年来，本人及团队成员在Physical Review D, Europe Physical Journal C, Physics Letters B，Adv High Energy Phys以及Chinese Phys C等国内外重要的SCI收录的学术期刊上发表论文近50篇。其中，与智能化引力波数据处理相关论文已接近本领域的高引论文指标数。结合相关研究，本人指导的学生荣获重庆大学优秀毕业论文。在国内，我们团队走在该领域的研究前列。同时，我们与国内外同行及组织（如：LIGO、FAST、太极计划、天琴计划）仍保持长期的学术合作与交流。
二、现阶段研究方向：
1、利用机器学习进行引力波数据的实时处理。近年来，机器学习数据处理方法在大数据处理的高效性和高迁移性方面表现突出.将机器学习方法用于提高探测引力波的能力是一个新兴的研究领域。尽管目前相关的成果还比较稀少，但是所获得的结果却令人鼓舞。首先，它能将目前数据处理流程所花销的时间大幅度地缩短，大大有利于进行下一步的天文学观测。其次，它能把传统匹配滤波方法辨认不出的或者置信度不够的引力波信号识别出来。其高迁移性有可能让人们使用广义相对论构造的理论模板训练的神经网络发现超越广义相对论理论描述的引力波信号。我们团队正在紧锣密鼓地进行相关研究，相信在不久的将来会取得丰硕的成果。
2、甚高频引力波的实验室探测。针对甚高频（微波段）引力波的研究一直是重庆大学引力物理方向的特色科研项目。甚高频引力波的波源模型和电磁响应是我们研究的重点，对这些问题的解决有助于提高对宇宙演化已经引力波本质的认识。目前，我们通过等效光学平台，在实验上对相关噪声和数据分析方案做出了系统研究。
三、主持科研项目：
1、2023-2026：主持 重庆市自然科学基金面上项目，内容：利用空间引力波探测器联合观测宇宙弦随机引力波背景的研究
2、2019-2022：主持国家自然科学基金面上项目，内容：利用机器学习实现引力波信号的实时观测
3、2018-2021：主持重庆市基础研究与前沿探索项目，内容：基于深度神经网络对致密双星系统进行智能定位
4、2013-2015：主持国家自然科学基金青年项目，内容：高频引力波探测系统的信号特性及噪声研究
5、2011-2015：主持重庆市自然科学基金一般项目，内容：关于高频引力波探测的若干实验参数及其影响因素的研究
四、发表SCI论文目录（近五年本人代表作）：
(1)Jie Wu, Jin Li(*),Xiaolin Liu,and Zhoujian Cao, Comparison and application of different post-Newtonian models for inspiralling stellar-mass binary black holes with space-based GW detectors, Physical Review D 109,104014 (2024)
(2)Bo-Rui Wang, Jin Li(*),Ability of LISA, Taiji, and their networks to detect the stochastic gravitational wave background generated by cosmic strings, Physical Review D 109, 063520 (2024)
(3) Mengfei Sun, Jin Li(*), Shuo Cao, and Xiaolin Liu，Deep learning forecasts of cosmic acceleration parameters from DECi-hertz Interferometer Gravitational-wave Observatory, A&A, 682, A177 (2024)
(4) Yu Pan, Jingwang Diao, Jing-Zhao Qi, Jin Li(*), Shuo Cao, and Qing-Quan Jiang, Testing the spatial geometry of the Universe with TianQin: Prospect of using supermassive black hole binaries, A&A, 683, A91 (2024)
(5) Jie Wu, Jin Li(*),Subtraction of the confusion foreground and parameter uncertainty of resolvable galactic binaries on the networks of space-based gravitational-wave detectors, Physical Review D 108, 124047 (2023)
(6)Xilong Fan, Peizheng Wang, Jin Li(*), Nan Yang, Understanding the Predication Mechanism of Deep Learning through Error Propagation among Parameters in Strong Lensing Case, Research in Astronomy and Astrophysics, 23:125022 (2023)
(7) Bo-Rui Wang, Jin Li(*), He Wang, Probing the gravitational wave background from cosmic strings with the alternative LISA-TAIJI network, Eur. Phys. J. C (2023) 83:1010
(8) Jia-Wei Zhang,Jing-Wang Diao,Yu Pan, Ming-Yue Chen, Jin Li, Using simulated Tianqin gravitational wave data and electromagnetic wave data to study the coincidence problem and Hubble tension problem, Chinese Physics C 47(3), 035103(2023)
(9) Meng-Qin Jiang, Nan Yang, Jin Li, Identify real gravitational wave events in the LIGO-Virgo catalog GWTC-1 and GWTC-2 with convolutional neural network, Front. Phys. 17(5), 54501 (2022).
(10) MengNi Chen, YuanHong Zhong, Yi Feng, Di Li, and Jin Li, Machine learning for nanohertz gravitational wave detection and parameter estimation with pulsar timing array, SCIENCE CHINA-Physics, Mechanics & Astronomy Vol.63 No.12:129511(2020).
(11) XiLong Fan, Jin Li, Applying deep neural networks to the detection and space parameter estimation of compact binary coalescence with a network of gravitational wave detectors, SCIENCE CHINA-Physics, Mechanics & Astronomy, Vol.62 No.6:969512 (2019).
(12) Li-Li Wang, Jin Li, Nan Yang and Xin Li, Identifying extra high frequency gravitational waves generated from oscillons with cuspy potentials using deep neural networks, New J. Phys. 21 043005 (2019).
