近日，东南大学物理学院王金兰教授与美国德克萨斯大学奥斯汀分校刘远越教授团队合作，基于第一性原理的多尺度模拟方法，结合真实电催化反应条件，在单原子稳定性方面取得了最新研究进展。

疼痛在临床医学治疗和病人生活质量提高等方面都具有重要意 义。目前，临床最广泛应用的阿片类镇痛药物常伴随一些副作用，如 镇痛耐受、便秘和成瘾等，从而大大限制了其临床应用。因此，研究 和开发低副作用的高效镇痛新药具有广阔的应用前景。 研究表明，在保持阿片药物镇痛活性的同时有效减少其副作用的 策略主要有以下三种：一、以其母体为模板，通过化学修饰来筛选出 受体选择性较高和具有优势构象的类似物，从而达到保持较高生物活

本发明公开了一种高性能二氧化碳/二氧化硫钙基吸收剂颗粒的制备方法，将含钙的前驱体和有机物溶于水中，将溶液在 60～90℃条件下持续搅拌成溶胶，经过 110～200℃干燥 1 小时以上得到干凝胶；再将干凝胶在 600～900℃条件下空气中煅烧 0.5 小时以上，得到白色钙基吸收剂粉；最后将粉末与水泥以及微量水混合成泥状后，经过挤压成型得到所需钙基吸收剂颗粒。有机物的燃烧可以使钙基吸收剂的表面具有丰富的孔隙，水泥的添加可

本发明公开了一种用Bi/Mo/Fe/Ce四组分复合氧化物催化剂合成1,3-丁二烯的方法。本发明使用该四组分催化剂进行1-丁烯的氧化脱氢生产1,3-丁二烯的方法。更具体的说，采用铁盐、铋盐、钼盐、铈盐和去离子水按照一定摩尔比配置，碱液调节pH值，经浓缩、过滤、干燥、焙烧、冷却后，再通过研磨、筛分得到Bi/Mo/Fe/Ce的四组分复合氧化物催化剂。与由金属组分构成的常规多组分金属氧化物催化剂不同的是，根据本发明，可以对金属组分的比例进行系统研究就可以制得用于1,3-丁二烯制备工艺的高活性、高选择性Bi/Mo/Fe/Ce四组分复合氧化物催化剂。

六价铬对人体具有慢性毒害，可以通过消化道、呼吸道、皮肤和粘膜侵入人体，主要积聚在人体内的肝、肾和内分泌腺中。六价铬有强氧化作用，所以慢性中毒往往以局部损害开始，逐渐发展到不可救药。通过光催化可实现六价铬还原为无毒害的三价铬。现有光催化剂多数只能利用紫外光区域，催化性能较低。酞菁在可见光区域具有良好吸收效果，通过利用八甲基取代的酞菁铜纳米棒与氧化石墨烯制备复合材料，可以有效提高光催化剂的光谱吸收范围，实现太阳能的充分利用，同时加快电荷传输，实现在水溶液中高效还原六价铬，在日常太阳光照下两小时内降解97%的水中的六价铬。

本发明提供了吲哚美辛在制备用于防治由植物病原菌引起的植物病害的杀菌剂中的用途，本发明通过室内毒力测定，证明了吲哚美辛对植物病原真菌具有良好的抑制活性。吲哚美辛作为杀菌剂，具有高效和低毒的优点，适合于植物病害化学防治的要求。目前大量杀菌剂的使用，导致病原菌的抗药性增强，而且传统的杀菌剂对环境污染大、残留高，直接威胁着人类的食品安全。而吲哚美辛是一种可降解、无污染、对环境友好的小分子化合物，并且其抗药性差、对非靶标生物及人畜安全，能够保证农产品及果蔬的高品质，符合可持续发展的要求，其研究和市场应用前景广阔。

本发明公开了丙戊酸钠在制备用于防治由植物病原菌引起的植物病害的杀菌剂中的用途，本发明通过室内毒力测定，证明了丙戊酸钠对植物病原真菌具有良好的抑制活性。丙戊酸钠作为杀菌剂，具有高效和低毒的优点，适合于植物病害化学防治的要求。目前大量杀菌剂的使用，导致病原菌的抗药性增强，而且传统的杀菌剂对环境污染大、残留高，直接威胁着人类的食品安全。而丙戊酸钠是一种可降解、无污染、对环境友好的小分子化合物，并且其抗药性差、对非靶标生物及人畜安全，能够保证农产品及果蔬的高品质，符合可持续发展的要求，其研究和市场应用前景广阔。

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。