已有样品/n甲烷是天然气的主要成分。但由于甲烷的极高惰性，其活化往往比较困难, 甲烷的活化与转化被公认为催化乃至整个化学研究领域最具挑战性的研究方向之 一。苛刻条件下（高温、高压）甲烷转化(转化为酒精和汽油)对于商业生产带来极大困 难，具有较高的转化成本,尤其是甲烷碳氢键的断裂、重组以及由（C1）生成高碳有机物的机理。利用原位固体 13C NMR 实验发现，甲烷在室温下裂解生成表面锌甲基（Zn-CH3，-20ppm 信号）及大量表面甲氧基（-OCH3，58ppm 信号）物种。分子筛表面甲氧基物种被认

厚朴属木兰科，其树皮为我国传统中药材，被誉为三木药材，系国家计划管理的麝香、甘草、杜仲、厚朴四种重要药材之一。具有抗炎、抗菌、抗氧化、抗肿瘤、抑制吗啡戒断反应等药理作用。我国的厚朴分布很广，市场需求量较大，市场价格也较贵，厚朴酚一般通过乙醇或者石油醚等热回流提取方法将厚朴酚从中草药中分离提纯得到。目前，过分地依赖从植物中提取厚朴酚，造成对森林和环境的极大破坏，需求也受到季节收获和市场生产的限制。通过有机合成制备方法获得厚朴酚将有利于保护生态环境、摆脱受季节的影响，满足市场需求。通过对厚朴酚及 2,2′-二羟基联苯衍生物的合成、结构和性质的研究，特别是合成路线中所涉及的格氏反应、苯酚类化合物的氧化偶联反应等，获得了制备厚朴酚并产业化的途径。 关键技术 厚朴酚制备反应新路线； 厚朴酚制备新工艺； 厚朴酚结构修饰与生物活性的调控技术。 获得成果 1、论文发表方面：公开发表 SCI 学术论文 30 余篇； 2、专利申请方面：授权中国专利 6 件； 3、基金资助方面：获国家自然科学基金项目 3 项。 

第四范式成立于2014年底，是国际领先的人工智能平台与技术服务提供商，公司以“Empower AI Transformation and Advance AI For Everyone”为企业愿景，旨在让AI成为驱动社会进步、企业增长的引擎。依托于领先的机器学习技术与丰富的行业实践经验，第四范式打造了企业智能化转型战略产品“天枢”，通过构建以消费者为中心的全链路客户流量运营，帮助企业实现以创造业务价值为目标的智能化转型。此外，第四范式为企业树立了正确的转型目标和方法，通过自动化AI应用构建平台第四范式HyperCycle ML，提升AI建模效率，降低AI应用门槛，将AI技术快速、规模化落地到企业众多业务场景中，提升业务场景价值。同时，第四范式采用软件定义算力的先进理念为企业提供软硬一体AI集成系统SageOne，降低企业AI部署总体拥有成本，推动企业全面智能化转型进程。目前，第四范式已为金融、零售、能源、医疗、制造、互联网、媒体等行业成功落地上万个AI应用，助力各行业企业的AI创新变革。点击上方按钮联系科转云平台进行沟通对接！

本发明公开了一种1-取代苄基-5-三氟甲基-2-(1H)吡啶酮化合物,及其药学可用的盐.本发明还公开了所述化合物及其盐的制备方法和它们在制备治疗纤维化药物中的用途.以三氟甲基吡啶酮为起始原料,得到一类新的吡啶酮类化合物及它们的盐。

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。