月尘是困扰月球探索的重要空间环境因素，一系列月尘引发的机械、热控系统及光学表面失效问题已经成为月球探索过程中亟待解决的重要问题。采用传统的机械振动、吹扫、电场排斥等主动除尘方式虽然可以显著抑制材料表面尘埃聚集，但由于能耗以及结构的限制很难广泛应用。

刘奇航及其合作者以最近由中科院物理所领衔的研究团队发现的ZnCu3(OH)6BrF为例，采用修正后的单体平均场密度泛函理论方法，对这一体系的本征和掺杂行为进行了详尽的模拟。研究发现，ZnCu3(OH)6BrF掺杂后，掺入的电子并没有成为期待的“自由载流子”，而是局域在一个铜原子周围，引起了局域形变。这种电子与束缚它的晶格畸变的复合体称为极化子（如图一所示）。本征材料的带隙中形成新的电子态。因此，电子掺杂后，ZnCu3(OH)6BrF并没有实现半导体到导体的转变。相比之下，具有类似CuO4局部环境的铜氧化物高温超导体的母体材料Nd2CuO4显现除了不同的随掺杂浓度变化的导电性。研究发现，低掺杂浓度时，铜原子附近形成较为扩展的极化子，因此在高掺杂浓度时，这些极化子之间的跃迁可以使系统导电性大大增加，实现半导体到导体的转变，与实验观测很好地吻合。 该研究圆满地解释了最近实验上观测到的Kagome晶格的锌铜羟基卤化物在掺杂后并不导电的现象，指出要在量子自旋液体实现超导，仅仅找到量子自旋液体体系是远远不够的，还必须实现有效掺杂，注入一定浓度的“自由载流子”，为耕耘在该领域的实验工作者提出了新的挑战和实验方向。

近日，南方科技大学量子科学与工程研究院院长、中国科学院院士俞大鹏团队与北京大学、荷兰特文特大学等合作，在狄拉克半金属-超导体异质结量子调控方面取得研究新进展，相关成果以《通过增大狄拉克半金属约瑟夫森结的几何尺寸将电子输运维数降到拓扑铰链态》（“Reducing Electronic Transport Dimension to Topological Hinge States by Increasing Geometry Size of Dirac Semimetal Josephson Junctions”）为题发表在《物理评论快报》（Physical Review Letters）上。 研究团队利用体态、表面态和棱态具有不同超导相干长度的性质特点，通过增长沟道长度，逐步实现从体态到表面态、再到棱态的超导电流的传导。

产品详细介绍

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。

电子科技大学全电动倒置荧光显微镜采购项目竞争性磋商采购

东南大学分析测试中心电子顺磁共振波谱仪采购招标项目的潜在投标人应在南京市建邺区嘉陵江东街8号综合体B3栋一单元16层获取招标文件，并于2022年07月13日14点30分（北京时间）前递交投标文件。