1991 年发现的碳纳米管（CNT）以及 2004 年发现的石墨烯（graphene），分别是一维和二维纳米材料的典型代表，被认为是 21世纪的战略性材料。 本项目发明了一类新的催化剂和大量制备 SWNTs 的方法，实现了高质量单壁碳纳米管的宏量制备（图 1），纯度达 70%以上，并达到了产业化规模（达 200 公斤/年以上）。采用机械共混及"原位"聚合 等方法，使SWNTs 有效地分散于高分子基质中，获得了以环氧树脂、ABS 及聚氨酯等为基质材料，电导率达 0.2 S/cm、导电临界含量仅为0.06%、电磁屏蔽效果高达 49dB 的复合材料。 本项目首先发展了一种可大量制备的可溶性功能化石墨烯（SPFGraphene）的方法，实现了石墨烯的百克级制备（图 2）。通过透射电子显微镜（图 3）及原子力显微镜（图 4）确定了石墨烯的二维平面结构。 获得了可溶性石墨烯材料及柔性透明导电薄膜（图 5）；制备了基于石墨烯的高稳定性有机光伏电池及复合材料。 图 5、基于石墨烯的透明电极材料 所研制的单壁碳纳米管及石墨烯已用于数十家科研机构的研究和相关产品/样机的研制，包括应用于国家 863 重大汽车电池项目（中科院物理所）和军工卫星电池项目（中国电子科技集团公司第十八研究所）等。已研制出晶体管、锂离子电池、超级电容器（图 6）以及高性能复合材料等多种产品，具有广阔的应用前景。

1991年发现的碳纳米管（CNT）以及2004年发现的石墨烯（graphene），分别是一维和二维纳米材料的典型代表，被认为是21世纪的战略性材料。 本项目发明了一类新的催化剂和大量制备SWNTs的方法，实现了高质量单壁碳纳米管的宏量制备（图1），纯度达70%以上，并达到了产业化规模（达200公斤/年以上）。 采用机械共混及"原位"聚合等方法，使SWNTs有效地分散于高分子基质中，获得了以环氧树脂、ABS及聚氨酯等为基质材料，电导率达0.2 S/cm、导

1991 年发现的碳纳米管（CNT）以及 2004 年发现的石墨烯（graphene），分别是一维和二维纳米材料的典型代表，被认为是 21 世纪的战略性材料。 本项目发明了一类新的催化剂和大量制备 SWNTs 的方法，实现了高质量单壁碳纳米管的宏量制备（图 1），纯度达 70%以上，并达到了产业化规模（达 200 公斤/年以上）。采用机械共混及"原位"聚合等方法，使 SWNTs 有效地分散于高分子基质中，获得了以环氧树脂、ABS 及聚氨酯等为基质材料，电导率达 0.2 S/cm、导电临界含量仅为0.06%、电磁屏蔽效果高达 49dB 的复合材料。 本项目首先发展了一种可大量制备的可溶性功能化石墨烯（SPFGraphene）的方法，实现了石墨烯的百克级制备（图 2）。通过透射电子显微镜（图 3）及原子力显微镜（图 4）确定了石墨烯的二维平面结构。

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。

目前市场上缺乏能够成套交付新要求的毫米波天线、集成度高的滤波器等无源器件、以及其相应的检测设备的综合性企业，特别是具有从设计，加工，调试到性能检测认证的全产业链能力。基于我们朗普达创始团队的核心技术，我们不但能够提供业界最领先的毫米波天线模组，高性能的滤波器和其他无源器件产品，还可以交付针对这些器件的测试检测设备。这两方面的产品能力互相补充，互相促进，互相拓展，使得朗普达的产品具有客户群体广泛，客户类型多样，能够快速适应市场变化等特点。 我们的毫米波的人工电磁材料技术可以让5G基站天线具有比4G基站天线更小面积和更多的天线数及接口，极大地提高系统容量和频谱效率；天线阵列宽角扫描技术，可以在不增加天线数目的基础上将手机的覆盖能力提高70%以上；是满足新一代无线通信产业对多天线系统小体积、高容量、广覆盖的需求的重要保障，显得尤为迫切和重要。我们基于矢量拟合法的滤波器特性提取和诊断算法，能够更精准的设计高良率的无源器件；同时结合神经网络和人工智能算法，可以适用于我司的滤波器自动检测设备和产线，实现滤波器的无人调试和高效检验交付。

《大数据交易应当重视和研究的几个问题》指出，为了保证交易数据来源的正当性和交易主体的合法性，为了有效克服大数据交易中的问题和风险，对于数据这种新型特殊财产的权属、开发利用及流转的特殊规律应当抓紧研究，相关制度建设要及时跟进。该报告建议从两方面入手：一是从私法角度明确数据的财产性质及其权属分配规则。在充分保护人格权和商业秘密的基础上，将数据产权按价值贡献在被采集者、采集者以及数据加工者等相关主体之间进行合理分配。二是从公法角度明确关于数据采集、加工，大数据产品的开发、流转等的监管规范。要明确数据的采集和利用不得违背公认的社会道德和善良风俗；在不损害相关主体的合法权益和公共利益的前提下，推动政府数据公开共享；禁止有可能威胁国家安全的跨境数据流动。

该研究成果对于服务北京市地方法治建设、推动北京市地方国家治理体系的现代化具有重要意义。

课题组提出了管理和疏解西城区人口的对策和建议，得到专家和政府相关部门的认可和肯定，研究成果具有较强的指导作用，相关研究结论和政策建议已被应用于实践。