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。

“切片AP方法”是一种分析巡天数据的方法。简言之，科学家在获得星系巡天数据后，需要尝试采用特定的宇宙学参数（如暗能量比例、状态方程w等）才能重构出物质3维分布；当所尝试的参数与真实宇宙的参数有偏差时，重构出的结果就会出现异常，具体表现为“随红移变化的径向-角向不对称性”。“切片AP方法”利用这一现象检验宇宙学理论，认为能做到“随红移演化的不对称性最小”的理论参数是最接近真实的。该方法于2016年应用到SDSS巡天时获得了当时最强的暗能量参数限制。       论文还采用了“非参数化”的统计方法来重构暗能量状态方程w。一般地，人们进行物理量的拟合回归时，都要假定它具有某种特定的形式（如线性、多项式、指数、正弦震荡等），这些先验的假定就给拟合回归带来了模型依赖的局限性。“非参数化”方法是一种克服这种局限性的技术，能得到不依赖具体数学函数模型的一般性结果。将切片AP方法应用于非参数化的暗能量重构，能将z<0.7的低红移区间的暗能量状态方程参数限制提高一倍，并在该区间呈现出微弱的动力学暗能量信号