田雨团队和合作者的研究不但揭示了一种全新的黑洞“长毛”机制，给出了长毛的动力学过程，而且在该过程中发现了一类奇妙的“动力学临界现象”。该研究成果是国内研究团队在国际基础物理前沿理论研究方面取得的重大进展。

南京邮电大学理学院曾红丽副教授与合作者在新型冠状病毒SARS-CoV-2基因序列分析方面取得重要进展，预测了该病毒在自然选择过程中的适应性，指出并分析了该病毒在演化过程中存在的弱点，分析了相应综合医药开发应注意的关键基因位点。该成果以南京邮电大学为第一完成单位，于2020年11月17日在线发表于国际权威期刊美国国家科学院院刊（PNAS）上。 COVID-19疫情是由β-冠状病毒SARS-CoV-2引起的全球性公共卫生突发事件。各类数据库搜集了大量的且不断增加的高质量全基因组序列。本工作利用这些序列，研究其是否显示出病毒演化过程中上位性对适应性的影响。在具有高重组率的种群演化中，本工作创新性地发展和应用了统计物理学中的反Potts模型，来检测自然选择过程中的上位性影响。该工作为利用大量基因组序列来获取具有高重组率的病原体在演化过程中的弱点开辟了广阔前景。 该研究工作最终将新型冠状病毒的大约3万个基因位点浓缩为存在显著相互影响的8对基因位点（ORF3a和nsp2，nsp12和nsp6，ORF8和nsp4，以及基因nsp2，nsp13和nsp14），为寻找病毒病原体结合和重组过程中存在的弱点带来了希望，对开发临床治疗的综合靶向药物、研究病毒进入宿主后的发病机制有着很强的生物医学指导意义。 和其他许多疾病一样，针对COVID-19的潜在药物靶标的组合数量非常多。本研究工作不仅提供了哪些基因位点之间存在相互影响，并可以对其进行排名，从而进行更进一步详细研究。结合随机性检验，该研究工作最终预测了存在显著上位性的8对基因位点中，有3对涉及到与新冠肺炎的重症密切相关的病毒基因ORF3a。遗憾的是，目前关于针对ORF3a基因的临床靶向药物的报道还较为罕见，值得医药学研究人员在该方面加强研究。另外，本研究工作中预测的8对基因位点可作为实验生物学的原假设，以供生物学研究人员在此基础上设置相关微生物实验，研究新冠病毒进入人体后引起发病的机理。 此项研究工作由南京邮电大学与意大利的里雅斯特大学、古巴哈瓦那大学、瑞典哥德堡大学及瑞典皇家理工大学合作完成。曾红丽副教授的研究工作受到国家自然科学基金委（基金号11705097）、江苏省科学技术厅（基金号BK20170895）以及江苏省政府留学奖学金的大力支持。

原子核由中子和质子（统称核子）组成，核子内部结构的相关研究一直是基础物理领域的前沿和热点，近日，南京大学物理学院Craig D. Roberts教授作为通讯作者的综述文章，详细解释了过去十年里人们对核子结构科学理解的发展和变化。从上个世纪流行的夸克模型至今，人们已经迈出了一大步：现在，核子波函数被视为描述准粒子-夸克自由度之间的强两体（diquark）关联，而它们本身都是由粒子物理标准模型中的强相互作用形成的，宇宙中超过98%的可见质量与之有关。这需要由量子色动力学中规范玻色子区域的高度非线性、非微扰的动力学给出解释，而不是夸克和希格斯（Higgs）玻色子之间的耦合。这一新的图景给出的预言，有望在北京正负电子对撞机等世界顶尖加速器设备上得到检验。

近日，物理学院王金兰教授团队受邀在国际顶级期刊《Chem》(Cell姊妹刊)上发表题为“HowComputationsAccelerateElectrocatalystDiscovery”的综述论文。物理学院的凌崇益副教授和王金兰教授分别为文章的第一作者和通讯作者。

水凝胶仿生软骨材料显示出各向异性的微观结构，并表现出优异的力学性能，拉伸强度为10.65 MPa，韧性为52.2 MJ/m3，压缩强度为4.86 MPa，高于其他的各向同性水凝胶以及大多数报道的水凝胶材料。

国科大吴佳俊课题组与其合作者将温伯格所假定的常数形状因子推广为一般的形状因子，并利用色散方法推广了温伯格的复合度关系。

经济管理学院孙自愿教授的研究团队在企业策略性应对行为研究领域取得研究进展，形成论文《竞争还是普惠？——激励政策选择与创新迎合倾向政策约束》，在《会计研究》2021年第7期上发表，这是经济管理学院在会计科研领域的重要突破。

心理测评系统是一套专门用于心理健康评测、心理健康普查以及心理档案建立的专业应用软件。它旨在通过科学、标准化的测评工具，帮助各类机构了解个体及群体的心理状态，被誉为国内同行业中专业性较强、测量种类较齐全的权威心理测评软件之一。该系统已被全国众多院校、心理咨询室、医院、司法机关等单位采用。 心理测评系统在设计上注重简单、快捷、高效、实用，具有以下突出的技术优势： 部署便捷：服务器端支持一键快速安装，无需复杂配置；客户端无需安装任何插件，通过浏览器即可使用。 多平台与多终端支持：可安装在Windows系列操作系统上，并支持普通台式机、笔记本电脑、平板电脑（如iPad）、触摸互动一体机等多种硬件。 高负载能力：系统整合了BS和CS两种架构优势，在硬件允许的情况下，可轻松应对十万级以上的用户并发压力。 人性化测评功能： 分段测评与断电续评：允许用户分多次完成测评，即使遇到断电等意外情况，系统也能自动保存进度，恢复后继续测评。 语音导读：为部分量表提供语音朗读功能，方便有阅读困难的用户。 数据安全与灵活性： 硬件加密：采用专属硬件加密锁，保障数据安全。 云备份与还原：支持时时对测评数据进行云备份和云恢复，是国内较早支持该功能的系统之一。 运行模式切换：支持单机、局域网和互联网三种模式一键切换。 高度自定义：管理员可自定义测评报告内容、系统界面“皮肤”，甚至远程管理测评终端（如远程开机、关机）。 核心功能 全面的测评功能：系统涵盖心理健康、个性/人格、情绪、智力、职业倾向、婚姻家庭、社会功能与适应能力等九大方面。内置了几百个标准化量表，包括国际国内通用的SCL-90（临床症状自评量表）、16PF（卡特尔十六种人格因素测验）、EPQ（艾森克人格问卷）、SAS（焦虑自评量表）、SDS（抑郁自评量表）、瑞文推理测试、霍兰德职业倾向问卷等。 多样的测试形式：支持人机对话（在电脑、平板上直接答题）、纸笔测试（传统答卷）和读卡测试（填涂答题卡，通过光标阅卷机高速录入，速度可达每秒约5张）三种模式，满足不同场景下的测评需求。 科学的报告与统计： 测评结果自动生成包含数据表、统计图（柱型图、饼形图、曲线图）和详细文字分析的个性化报告。 提供强大的团体统计功能，可对任意两个群体做T检验，对多个群体进行方差分析，所有原始数据均可导出到Excel或SPSS，便于深入的科研分析。 智能预警与档案管理： 预警功能：当测评结果显著超出正常范围时，系统会自动预警，帮助快速筛查出有潜在心理问题的人员，做到尽早干预。 自动建档：为每一位参与测评的用户自动建立心理档案，方便长期跟踪和纵向比较。 辅助功能：系统还集成了网络心理咨询功能，支持在线预约和咨询。 适用场景与人群 心理测评系统因其全面性和灵活性，适用于广泛的场景和人群： 教育机构（大中小学、幼儿园）：用于新生心理普查、学生心理健康筛查、职业规划指导。例如，山西师范大学实验中学和浙江嵊州鹿山小学都曾使用该系统对学生进行心理普测。 医疗机构（医院、心理咨询室）：辅助临床诊断、心理疾病筛查。 企事业单位：用于员工心理健康管理、招聘选拔、员工发展与晋升评估。 司法机关（司法局、监狱）：用于社区矫正人员、服刑人员的心理评估与矫正。 个人用户：用于自我认知、职业规划。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。