刘子扬本科及硕士阶段就读于天津大学计算机科学与技术专业。2019年硕士毕业后，他加入京东担任算法工程师，开始从事机器学习及电商搜索相关研究，还获得了2019年京东最佳新人奖。

在京东任职期间，他参与的BERT2DNN研究发表于IEEE ICDM 2020，聚焦在线电商搜索中的相关性预测问题。当时，BERT虽然具备较好的文本理解能力，但模型规模较大，推理成本较高，直接应用于线上搜索场景存在部署压力。

针对这一问题，研究团队利用大规模无标注数据将BERT教师模型的知识蒸馏到轻量级前馈神经网络中，在尽可能保留模型效果的同时降低推理开销。实验结果显示，新模型保留了教师模型超过97%的测试准确率，推理延迟较BERT-Base降低约150倍，并通过线上A/B测试验证了实际应用效果。

2021年，刘子扬进入清华大学软件学院攻读博士学位，师从王朝坤教授。在博士期间，他的研究重心逐渐转向图神经网络、图表示学习与图对比学习，重点关注如何从复杂图数据中提取有效信息，以及如何提升图学习模型的表示能力和训练效率。

博士期间他的GPA达到4.0/4.0，专业排名1/37，还获得了清华大学软件学院优秀博士学位论文奖和优秀博士毕业生奖；此外他参与的研究AS-GCN获得IEEE ICDM 2021最佳学生论文亚军。

2024年，他以第一作者身份提出GA2C，相关成果发表于IJCAI 2024。

传统图数据增强方法往往依赖随机删除、添加或扰动图中的节点与边，但不同图任务对增强策略的需求并不相同。GA2C将图数据增强过程建模为马尔可夫决策过程，引入强化学习寻找更合适的增强策略，以提升图表示学习效果。

此后，他的研究进一步延伸至推荐系统和时间知识图谱，相关成果陆续发表于NeurIPS、ACL、SIGIR、EMNLP等国际会议，并在IEEE TKDE发表论文。

除了计算机领域的图学习研究，刘子扬也开始将机器学习方法拓展至生命科学。

2025年，他以第一作者身份在《Nature Communications》发表MotiL，提出一种面向分子性质预测的预训练方法。

该方法不仅关注分子的整体结构，也尝试从局部化学基序中学习有意义的特征表示，并进一步拓展至蛋白质等大分子表示学习，为图机器学习在分子建模中的应用提供了新的思路。

2025年9月，刘子扬加入哈佛医学院任博士后研究员，并在其主要教学附属机构波士顿儿童医院开展研究。他的研究也由通用图机器学习进一步延伸至生物医学领域，重点结合图机器学习与单细胞多组学数据，解码基因调控关系、重建细胞谱系轨迹，探索机器学习方法在生命科学问题中的应用。

从早期面向电商搜索的模型压缩与部署，到博士期间的图表示学习，再到分子建模和单细胞多组学研究，刘子扬持续将机器学习方法应用于不同类型的复杂数据。

此次加入香港理工大学，刘子扬将继续围绕Graph AI、生物世界模型和生物医学人工智能展开研究。