成功研制出国内首台超快扫描隧道显微镜，实现飞秒级时间分辨和原子级空间分辨，并捕捉到金属氧化物表面单个极化子的非平衡动力学行为。扫描隧道显微镜（Scanning Tunneling Microscope，STM）由于其隧穿电流具有高度的局域性，空间分辨率可以达到原子量级。然而受电流放大器带宽的局限，其时间分辨一般只能达到微秒量级（10-6 s），而很多微观动力学过程往往发生在皮秒（10-12 s）和飞秒（10-15 s）量级。为了提高STM的时间分辨率，其中一种比较可行的办法是将超快激光的泵浦-探测（pump-probe）技术和STM相结合，利用超快光与电子隧穿过程的耦合来实现“飞秒-埃”尺度的极限探测。尽管超快激光技术和STM相耦合的概念在上世纪90年代就被提出，但是相关研究进展非常缓慢，主要受限于一系列技术难点，例如：激光的热效应对STM隧道电流的干扰、激光诱导电流的低信噪比、超快激光脉冲在STM中的展宽、激光与隧穿电子间的耦合机制等。

产品详细介绍尼康SMZ645/SMZ800/SMZ1000显微镜底部光专用卤素灯，型号： JCR /M 6V20W-2尼康E100/E200显微镜灯泡PHILIPS飞利浦灯泡  7388 6V20W奥林巴斯Olympus的 BX40/41 BX 45 CH40 CK30 CK40 CX31 CX40/41 IX50 IX51等系列显微镜指定专用卤素灯泡，PHILIPS飞利浦灯泡沫 5761 6V30W G4更多详情请电话联系：025-85334943

开发了一种分子荧光探针IR-E1，它在水溶液中量子产率可以达到0.7%并且在体内可以通过肾脏排泄。虽然该量子产率在相关材料中已经是比较高的，但要达到快速成像并实现更深的穿透深度仍需要更亮的探针材料。  研究了一类新型的高效荧光分子探针的理性设计。荧光分子由电子屏蔽基团（shielding unit）、给体基团（donor）、受体基团（acceptor）组合，形成S-D-A-D-S型分子(图1a)。目标分子IR-FE以3,4-乙烯二氧噻吩(EDOT)为电子给体（D），以烷基链取代芴为电子屏蔽基团（S）。通过理论计算模拟，发现EDOT为电子给体时分子骨架具有更大的扭转角和更加调谐的表面静电电位分布，可有效保护受体基团苯并双噻二唑（BBTD），阻止其与溶剂分子或其它分子发生相互作用（图1b）。同时，烷基链取代芴和分子骨架扭转的共同作用可减弱分子间相互作用而降低聚集荧光淬灭。IR-FE的发射波长在900-1400 nm范围，在甲苯中的量子产率高达31%（图2a），在以聚乙二醇进行水溶性修饰后量子产率可保持在2%（图2b），这是迄今为止报道的在水相中量子产率值最高的水溶性近红外二区有机荧光分子探针。研究发现EDOT是荧光分子在水溶液中保持量子效率的关键因素。

本实用新型公开了一种基于时空联合调制和MZI光波导阵列的成像光谱仪。采用无狭缝成像系统，包括前置镜以及一层干涉光谱仪芯片或者多层干涉光谱仪芯片相层叠而成的三维芯片，每层干涉光谱仪芯片包括主要由模斑转换器阵列、MZI阵列和探测器阵列依次连接而成的光波导结构，MZI阵列由具有不同干涉臂差的MZI平行排列而成，每个MZI的输入端口在成像像面上接收平行于推扫图像区域上同一排或列的像元信号。本实用新型既简化了光路的复杂程度，又极大减轻了成像光谱仪的重量和体积，具有高集成度和高稳定性，并大大提升了系统的入射光通量，使得成像光谱仪小型化、轻型化。

中国科学技术大学工程科学学院ZacharyJ.Smith教授团队和华中师范大学化学学院高婷娟教授团队在拉曼生物成像研究领域取得新进展，提出了一种基于线扫描拉曼成像系统和偶氮增强拉曼探针相结合的快速生物成像方法，实现了对细胞器动态过程的高分辨率、低功耗的影像。

近日，中国科学技术大学国家同步辐射实验室潘洋教授团队利用自行研发的解吸电喷雾电离/二次光电离（DESI/PI）质谱成像平台（Analytical Chemistry,2019,91, 6616-6623）结合多孔聚四氟乙烯印迹技术，实现对多种植物叶片中代谢物的空间成像。

研究团队在精密测量院研究员徐富强和王杰的带领下，联合磁共振成像与病毒基因改造技术率先提出一种新型基因编码生物磁共振成像技术，逐步实现神经元网络（Neuroimage, 2019; Human Brain Mapping, 2021）和星形胶质细胞（Molecular Psychiatry, 2022）在体水平的无创检测。

复杂非线性滞后动力系统分析与综合问题是控制领域研究的热点和难点。本项目主要取得如下创新成果： 1、非线性滞后动力系统的鲁棒控制。主要研究状态信息延迟下非线性系统的鲁棒控制问题。通过构造李雅普诺夫函数和泛函，很好地解决了一直以来困扰控制领域的严格反馈结构非线性滞后控制难题。对于一般结构的非线性系统，提出了反馈控制设计框架，克服了现有文献关于滞后项的强假设条件。  2、非线性关联滞后大系统的分散协调控制。提出了强非线性关联环节下大系统的分散自适应反馈控制器设计方法，解决了非匹配模型跟随控制难题，为强耦合滞后大系统的分散控制问题提供了完整的解决方案。 3、滞后系统智能控制和网络化系统控制设计。提出了非线性滞后系统的无记忆智能控制设计理论与方法。给出了非对称网络环境下遥操作系统的控制器设计方法，建立了网络环境参数、控制器参数和系统性能的显性表达式。 4、应用基础研究：提出了化合反应系统的控制器设计方法，同时构建了工业无线网络控制平台。 研究成果在大型高炉建模与节能减排优化控制、恶劣工业环境下无线网络化控制、物联网、网络化机器人远程控制等领域得到了初步应用。

本成果针对城市水电气热等综合能源数据来源广泛，结构复杂，且与用户、时间、空间信息关系紧密的特点，构建了高性能综合能源数据分析平台，提出了细粒度的能源数据分析理论框架及方法，并将其应用于智慧城市建设。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。