光电探测器在量子科技、三维成像、激光雷达、生物医学等方面有着广泛应用，被誉为是无人驾驶、无人机、智能机器人等关键设备的眼睛。目前我国在针对极微弱光的探测器主要依赖进口，北京探锐科技有限公司（创业团队拟注册）基于中央民族大学光电实验室和中科院半导体所的自主研发成果和知识产权开展成果转化，开展基于光通讯波段及可见光波段高灵敏度探测器的产业化，微光成像芯片的设计、加工及销售服务。目前已拥有三五族化合物探测器和微型硅基探测器等产品，从材料和器件结构上进行优化和创新，国内首创的高速、低噪APD单光子探测器件设计与制备已达到国际领先水平。团队拥有国家发明专利3项、在申专利10余项，荣获国家自然科学基金、科技部重点研究项目等20余项成果。 本团队属典型的师生共创，李传波教授为团队的技术带头人、国家特聘专家，“青年千人计划”的核心骨干，常年从事半导体光子材料与器件、能源光子器件开发与研制，目前也是中科院半导体研究所教授和中央民族大学教授。梁岩带领的学生核心创业团队包括理学院、经管学院的硕士和博士生。团队主创人员有多年的海外工作经历，也有中科院半导体所的工作经历，也有自主知识产权，可以设计并达到国际领先的参数，实现其进口替代。除了技术之外，最大的优势是成本优势。团队依托主创人员多年来半导体光电材料与芯片的研究工作，有多年海外知名高校及中科院半导体所研究经历，为项目提供强大的技术支撑。初创期间采用产学研相结合的方式，芯片的生产在实验室生产，公司是进行宣传包装、销售。未来规划拓展业务范围。专注于做高灵敏度探测器的技术研发和市场推广，助力“中国芯”走向世界！

肿瘤细胞异质性是肿瘤异质性的重要成因之一，可导致肿瘤在增殖能力、侵袭能力和药物敏感性等方面产生重要差异，影响肿瘤的诊断与治疗，最终影响患者身体健康与生命安全。因此，肿瘤细胞异质性研究对于肿瘤的诊断和个体化治疗具有重要意义。而进行肿瘤细胞亚群分离分析是研究肿瘤细胞异质性的重要基础。现有的基于电泳、场流或荧光激活式分离原理的进行肿瘤细胞分离分析的策略存在着特异性差、操作繁琐或需样本量大等弊端。基于课题组在磁性梯度分离细菌、肿瘤标志物、蛋白分析等方面前期工作（Analytical Chemistry 2018, 90, 9621-9628；Analytical Chemistry 2014, 86, 9434-9442；Chemistry-A European Journal 2014, 20,14642-14649），该研究以细胞表面标志物Her2表达量差异化的三种乳腺癌细胞(BT474、MDA-MB-453和MDA-MB-231)为研究模型，通过荧光-磁性靶向仿生探针与其识别后形成不同磁性梯度，在恒定外磁场作用下，可分别在90 s、120 s和180 s时间内快速逐一梯度分离出三种不同乳腺癌细胞亚型，并基于探针的荧光信号对肿瘤细胞亚群进行了初步鉴定。该研究报道的基于磁性梯度响应的肿瘤细胞亚群分离分析策略具有简单、快速、准确等特点，为血液样本中异质性肿瘤细胞亚群的近同时分离与分析提供新思路，在肿瘤早期诊断、评估和预后方面具有重要的潜在应用前景。

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。