本项目着眼于“后疫情时代”大学生心理健康问题，立足于疫情后期武汉各高校大学生心理状况，以社会学与心理学的理论视角，采用经验研究与统计分析相结合的方法进行研究。

"该项目针对大型基础设施实时监测与灾害预警的迫切需求，历时10余年科技攻关，突破了多项重要理论与核心关键技术。提出了基于双重约束的光纤光栅非均匀应变传感理论，形成了复合材料光纤内植工艺与光纤金属化封装新工艺，攻克了传感精度低、成活率低与耐久性差三大难题；在国内外首次突破了大型基础设施裂隙水流速监测难题，破解了大型基础设施多场耦合监测技术障碍，发明了系列专用光纤光栅传感器；组建了超大容量光纤光栅传感网络，构建了大型基础设施安全监测多元信息一体化综合感知系统；提出了基于离散应变反演递推的形态传感方法建立了基于多场信息的灾变判据，解决了大型基础设施灾害综合预警的重大难题。形成了从“传感理论—封装工艺—传感结构—传感器—采集系统—预警方法”成套技术体系。成果获得2018年度国家科技进步一等奖、2018年度山东省科技进步二等奖项，纳入行业标准3项，获国家发明专利29项，实用新型专利34项，软件著作权15项，发表SCI论文52篇，EI论文62篇，产品出口英国、德国、新加坡、马来西亚等国家，同时产生了巨大的经济效益及社会效益，对大型基础设施安全监测与灾害预警行业发展具有重要的推动作用。本项目成果主要

中山大学《病理与健康》本科生通识课程已历经13年建设历程，针对我校不同学科不同专业本科学生的特点，运用新教学模式、教学方法和手段以及素质教育，逐渐形成了自身特色，教学效果明显。

原子核由中子和质子（统称核子）组成，核子内部结构的相关研究一直是基础物理领域的前沿和热点，近日，南京大学物理学院Craig D. Roberts教授作为通讯作者的综述文章，详细解释了过去十年里人们对核子结构科学理解的发展和变化。从上个世纪流行的夸克模型至今，人们已经迈出了一大步：现在，核子波函数被视为描述准粒子-夸克自由度之间的强两体（diquark）关联，而它们本身都是由粒子物理标准模型中的强相互作用形成的，宇宙中超过98%的可见质量与之有关。这需要由量子色动力学中规范玻色子区域的高度非线性、非微扰的动力学给出解释，而不是夸克和希格斯（Higgs）玻色子之间的耦合。这一新的图景给出的预言，有望在北京正负电子对撞机等世界顶尖加速器设备上得到检验。

近日，物理学院王金兰教授团队受邀在国际顶级期刊《Chem》(Cell姊妹刊)上发表题为“HowComputationsAccelerateElectrocatalystDiscovery”的综述论文。物理学院的凌崇益副教授和王金兰教授分别为文章的第一作者和通讯作者。

水凝胶仿生软骨材料显示出各向异性的微观结构，并表现出优异的力学性能，拉伸强度为10.65 MPa，韧性为52.2 MJ/m3，压缩强度为4.86 MPa，高于其他的各向同性水凝胶以及大多数报道的水凝胶材料。

国科大吴佳俊课题组与其合作者将温伯格所假定的常数形状因子推广为一般的形状因子，并利用色散方法推广了温伯格的复合度关系。

经济管理学院孙自愿教授的研究团队在企业策略性应对行为研究领域取得研究进展，形成论文《竞争还是普惠？——激励政策选择与创新迎合倾向政策约束》，在《会计研究》2021年第7期上发表，这是经济管理学院在会计科研领域的重要突破。

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。