随着纳米光子学的发展，具有超颖性质的人工微结构吸引了众多研究。针对日益增长的研究和设计需求，北京大学物理学院方哲宇及其研究团队实现了一种自洽的框架——BoNet，其结合了贝叶斯优化（Bayesian optimization）和卷积神经网络（convolutional neural network），实现了纳米结构对于超强光学手性的自学习。基于此框架，他们将纳米结构设计表示为图形，并输入卷积神经网络进行电场分布和反射光谱的学习，此过程不需要将纳米结构参数化为向量，因此最大化的保留了其几何信息和边界条件。同时，利用贝叶斯优化以实现对纳米结构远场光学手性的优化，并运用其采样样本反复训练神经网络实现自学习。利用BoNet，他们针对远场反射光谱的圆二色性进行优化并逼近了其理论极限(CD = 1)，同时利用神经网络匹配预测的近场电场分布，对获得的强光学手性进行分析解释。 此框架能够被直接推广用于其他光学性质的自学习优化，例如实现反常透射，偏振态调制和相位调制。更进一步的，此方法论能够帮助设计更多的，具有良好光学性质和运用价值的纳米光子学器件，比如消色差超透镜，超灵敏的微传感器以及智能超表面等。此研究同时能够启发更多数据驱动的研究，通过利用人工神经网络和其他机器学习的方法，实现对传统科学研究的新探索，在制药，引物设计，固体结构分析上启发新突破。 该工作于2019年11月19日在线发表于学术期刊《PHYSICAL REVIEW LETTERS》上，题为“Self-Learning Perfect Optical Chirality via a Deep Neural Network”(DOI: 10.1103/PhysRevLett.123.213902)。北京大学物理学院方哲宇研究员是本文的通讯作者，李瑜，徐优俊，姜美玲为该文的共同第一作者，北京大学定量生物学中心来鲁华教授为合作者，北京大学为唯一通讯作者单位。该工作得到得到了科技部、教育部、国家自然科学基金委、北京大学人工微结构和介观物理国家重点实验室、北京大学纳光电子前沿科学中心、量子物质科学协同创新中心、北京大学高性能校级计算平台、北京大学生命科学中心高性能计算平台等单位的支持。用于近远场计算的神经网络结构表征实现了逼近理论极限的高手性，并利用神经网络对近场分布进行分析

本发明公开了一种数控加工状态自学习的刀具磨损监控系统，结构为：刀具磨损规律学习库存储刀具学习磨损规律；数据获取与判断模块将伺服驱动电流数字信号提供给数据处理模块，进行格式转换并保存为监控电流信号；特征提取与选择模块选择与刀具磨损强相的信号特征；拟合预测趋势曲线模块建立信号特征与刀具加工寿命关系曲线；刀具磨损规律模块从刀具磨损规律学习库中获得刀具学习磨损规律；将趋势信号特征带入刀具学习磨损规律中得出刀具磨损量；刀具磨损补偿及换刀模块根据刀具磨损量作出刀具磨损补偿及换刀决策，提供给数控系统接口输入模块。

（一）项目背景 当前，智慧教育具有智能导学、精准推荐、定制辅导、精细评价等特点，已成为国际国内教育信息化发展的趋势。智慧教育的研究主要聚焦于智慧学习环境建设的研究、智能技术支持下的智慧教学研究和机器学习技术支持下的个性化学习研究。智慧教育的出现极大地促进了当前教育中学习空间的重构。在“学习空间”之前，人们通常使用“教学空间”来指代这种场所，将有教学活动的场所均称作教学空间。随着人们对学习过程的理解变化、智慧教育的快速发展以及人们对非正式学习的重视，学习空间逐渐由单一的物理教学空间向包含物理空间、网络空间、移动空间的多元学习空间转变。多元学习空间的提出虽然更多地体现出了“以学生为中心”的倾向，但如何具体衡量多元学习空间对学生学习效果的影响是评价多元学习空间的重要步骤。同时，在多元学习空间具体构建时，面对空间中来源不同、结构多样、数量庞大的多模数据如何进行处理存储、并在保证数据有效性的前提下对教育数据进行隐私保护是多元学习空间需要解决的另一个难点。 （二）项目简介 本项目主要目标是针对信息技术支撑下学习空间多元化、场景复杂、需求多样化，学习者及学习行为呈现出新的特点和规律，研究多元学习空间中学习行为数据化关键技术，构建“云-边缘-物联网”架构的多模态数据存储与处理平台，实现混合式学习环境下学习行为智能感知和数据化，优化学习行为模型，基于实际应用与不同学习目标函数及内容，建立可重复、可预测、可验证的对比数据集，为数据驱动的智慧教育生态构建和教育应用提供核心技术与数据支撑。 （三）关键技术 我们面向智慧教育中准确认知学生的学习状态和行为的大数据需求提出研究方案。本项目实施方案涉及教育学、物联网、云计算、人工智能、隐私保护等多个领域，主要技术路线如图所示： 图 1 技术路线图 其中，项目包括的关键技术主要有以下三点： 1.基于物联网的多模态数据实时智能感知和多时间域数据采集技术 该技术针对学习状态的数据化、特征参数量化问题，设计能够采集多 重学习空间下的智能数据感知物联网系统。主要技术难点在于抽样频率与 识别准确度的平衡、人机交互的变化规律等全新科学问题。 2.学习状态多模态数据解析和智能处理技术 利用智能感知物联网采集实时性的原始学习状态数据，包括面部表情、 脑电信号、头部姿态、交互行为等原始数据，这些数据具有数据量大、模 态多、冗余度高等特点，需要通过智能化的预处理方法转换成可以量化的 状态数据。 3.多层次数据差分隐私保护技术 学习行为数据是学习者被动采集的多方面行为数据，受到日益增长的 具有争议性的数据伦理的制约。该项技术通过数据隐私保护机制实现数据 多层次化的差分隐私安全算法；在保证学习者最大数据隐私性的前提下， 研究满足学习行为分析所需要的数据颗粒度。

本发明公开了一种污水处理系统信息安全在线风险分析方法及系统。本发明先建立系统模型，包括资产损失分析模型、人员损失分析模型、环境损失分析模型、效益损失分析模型、安全事件模型、功能支撑模型以及贝叶斯攻击图；然后各网络节点作为从节点，监测其功能运行情况，并将监测结果发送给作为主节点的工程师工作站；最后主节点根据监测结果，利用建立的系统模型，分析系统损失。系统包括设置在工程师工作站上的主节点，设置在各网络节点上的从节点，

技术成熟度：技术突破 本成套设备，以电供暖的各个电暖气为控制对象，以建筑内不同房间不同区域的取暖温度为控制参数，自下而上，组成了由单片机现场控制器（控制室单独使用PLC控制器）、PLC中间层算法控制器、工控机为上位机构成监控界面的DCS控制系统，从而实现分散控制集中管理的控制系统。此系统的目的在于替换传统水暖系统，利用合理科学的软件算法，实现节能、环保、减排的效果。设备兼具教学、实验、科研及实用的功能。 成果技术特点：本套装置由四个单片机组成现场控制器，一个PLC组成的控制室控制器，与中间层面的S7-300PLC控制系统，以及顶层监控层的工控机装置，统一安装到了一个整体的平台上。此平台便于实地集中实验、研究，也有利于集中编程与项目演示。 图1 设备实物图 图2 为智能控制系统电脑操作界面

本发明提供了一种塔吊倾角和挠度在线监测系统及数据方法，具体包括：倾角硬件采集模块，LTE_4G通信模块，MCU处理模块，监测软件模块；塔吊力学结构分析和倾角监测原理；所属倾角传感器和处理器通过SPI通信传输，所属下位机采集模块和监测软件模块通过LTE_4G网络实现信息传输。根据多个倾角传感器采集的信号，进行数据处理分析后，监测软件动态显示吊臂的变形程度。本发明方法能够有效监测塔吊倾角和挠度。

开展设备状态监测与故障诊断可以及时了解和掌握设备的工作状态，甚至提早期发现故障，找出故障的成因，并预报故障发展趋势。以往依赖人工经验，靠五感或简易仪表进行的常规检测已不适用。现代设备的状态监测。分布式在线监测系统采用计算机技术、网络技术、信号处理与分析技术，形成分布式的监测体系。 该系统重点解决关键设备远程在线监测、设备状态评价、设备故障诊断等问题。系统采用三层架构的体系，实现远程异地对设备运行状态进行监测，自动跟踪、记录设备的相关指标，诊断设备可能发生的故障，科学地评价设备状态，为设备维修和维护提供科学的依据。 系统由多台计算机通过计算机通讯手段形成一个完整的诊断网络，每台计算机分布在不同的场所，可以分别独立地完成各自的特定功能，同时在逻辑上相互联系，形成一个监测与诊断整体，给使用者带来了方便，系统的可扩展性也大大提高。系统的主要功能模块包括常规在线监测、数据保存（支持三种存储模式：定期存储、报警存储、人工触发存储），历史数据追溯、趋势分析、监测报表、实时数据采集、故障诊断等功能

采用国际上先进的CORBA技术、智能传感器技术、现代故障诊断理论对工业生产中的机械、电气设备进行在线监测，并对其运行状态进行分析和诊断，通过网络将监测的信息发送到异地远程的诊断中心，判定被监测对象的当前的运行状态，根据所累计的监测对象的历史监测数据，对其工作状态进行科学地评估，制订出合理的维修策略和计划。 系统特点 1.诊断中心可以利用Internet/Intranet实现异地远程的设备在线监测和故障诊断。 2.现场监测计算机提供对设备的24小时、365天无间断监测，并根据设定值进行报警提示。 3.可以对设备的运行工作状态进行科学的判定。 4.为企业设备的合理维护提供完整地数据保证。 本项目目前已经成功应用于冶金工业现场，并且取得了较好的效果。已经对现场的减速机等设备的故障和缺陷金进行了正确的诊断。

TDA（芯片热设计自动化）软件是清华航院曹炳阳教授团队全自主研发的国际首个芯片跨尺度热仿真与设计系统。TDA软件可实现芯片从纳米至宏观尺寸的热设计与仿真，支持芯片微纳结构内部热输运过程的模拟研究，直接提高芯片热仿真精度与结温预测准确度，进而提高芯片性能、寿命和可靠性。