Xynapse Mine 由新南威尔士大学（UNSW Sydney）矿业工程方向的 2 名硕士，与来自矿业公司的采矿工程师、地质工程师、安全工程师共同组成。
顶会级的研究方法与矿山现场的真实约束，在同一支团队内闭环。
Xynapse Mine 的核心成员由两部分构成。一部分是 UNSW Sydney 矿业工程方向的硕士，受过完整的学术训练，能独立走完从文献综述、实验设计到顶会投稿的全流程； 另一部分是来自矿业公司的一线工程师——采矿、地质、安全等矿业主要工程岗位齐备，熟悉巷道通风、地压管理、采掘排产在真实矿区里究竟是怎么执行的。
矿山 AI 最常见的失败方式，是模型在论文里很漂亮，到了井下没人敢用。学术侧负责方法的严谨性与可复现性，工程侧负责把每一个假设放回真实矿区去检验。两侧在同一支团队里，不合理的设定在内部就被拦下来了。
系统的学术训练，让 Xynapse Mine 的研究可以直接对标顶会标准。
论文写作、实验设计、统计推断、顶会投稿格式（NeurIPS / ICLR / KDD 模板）
矿山 AI / RL 调度 / 围岩预测 / 行为识别等子方向的系统性综述能力
多种子均值 ± 标准差 + Cohen's d + Wilcoxon p-value 的统计评估范式
算法收敛性、鲁棒性上界、协议安全性等学术证明的撰写能力
团队覆盖矿业一线的主要工程岗位，研究里的每一条约束，都有人能对上现场。
采掘计划、回采顺序、设备配置与产能匹配——决定调度算法的可行域到底在哪
矿体建模、岩体分级、地质数据的采集口径与不确定性来源
通风、地压、避灾路线与作业规程——AI 方案的红线由这一侧划定
来自矿业公司的实际作业经历，清楚一套系统在井下会被怎么用、又会被怎么绕开
地质与安全两侧同时在场：矿体反演的口径由地质工程师把关，通风网络的约束由安全工程师给定，学术侧负责把两者写进同一个可微目标函数。
运筹学与系统工程的训练，加上采矿工程师对设备配置与产能匹配的实际判断，把 5 个标杆案例整理成可直接对比的决策矩阵。
机器人学与控制论提供视觉定位与自适应送杆的算法框架，现场经验负责回答「这套动作在真实工作面能不能做出来」。
在 blast 现有产品之上做算法升级，结合团队对岩体爆破机理与实际装药作业的理解，把装药优化做到可交付精度。
多智能体强化学习的收敛性证明与调度实验设计，配合采矿工程师给出的真实排产逻辑作为对照基线。
所有研究由 Xynapse 自主立项，以 Xynapse 为主体署名。