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。

宽禁带半导体碳化硅(SiC)材料是第三代半导体的典型代表之一，具有宽带隙、高饱和电子漂移速度、高临界击穿电场、高热导率等突出优点，能满足下一代电力电子装备对功率器件更大功率、更小体积和更恶劣条件下工作的要求，正逐步应用于混合动力车辆、电动汽车、太阳能发电、列车牵引设备、高压直流输电设备以及舰艇、飞机等军事设备的功率电子系统领域。与传统硅功率器件相比，目前已实用化的SiC功率模块可降低功耗50%以上，从而减少甚至取消冷却系统，大幅度降低系统体积和重量，因此SiC功率器件也被誉为带动“新能源革命”的“绿色能源”器件。 本团队在SiC功率器件击穿机理、SiC功率器件结终端技术、SiC新型器件结构、器件理论研究和器件研制等方面具有丰富经验，能够提供完整的大功率SiC电力电子器件的设计与研制方案。目前基于国内工艺平台制作出1600V/2A-2500V/1A的SiC DMOS晶体管（图1，有源区面积0.9mm2）；4000V/30A的SiC PiN二极管（图2）；击穿电压>5000V的SiC JBS二极管（图3）。 a b c 图1 1.6-2.5kV SiC DMOS器件：(a)晶圆照片(b)正向IV测试曲线(c)反向击穿电压测试曲线 a b c 图2 4kV/30A SiC PiN器件：(a)晶圆照片(b)正向导通测试曲线(c)反向击穿电压测试曲线 a b c 图3 5kV SiC JBS器件：(a)显微照片(b)正向导通测试曲线(c)反向击穿电压测试曲线

大功率射频LDMOS器件以其线性度好、增益高、输出功率大、热稳定性好、效率高、宽带匹配性能好、价格低廉等方面的优势已经成为基站、广播电视发射机、航空电子、雷达等领域等应用最广泛的射频功率器件。 本团队利用优化的法拉第屏蔽罩结构和版图布局技术，基于国内8英吋工艺技术平台，研制出大功率L 和S 波段RF LDMOS 器件（图1），能够提供完整的RF LDMOS器件的设计与研制方案。目前已制作出频率0.5GHz，输出功率>500W，功率增益>18dB、漏极效率>50%的单芯片RF LDMOS 器件；频率1.2GHz，输出功率>600W，功率增益>20dB、漏极效率>40%的L波段RF LDMOS 器件；频率3.1GHz，输出功率>80W，功率增益>10dB、漏极效率>35%的单芯片S波段RF LDMOS 器件（图2）。 (a) (b) 图1 RF LDMOS器件：(a)晶圆显微照片 (b)封装器件 a b c 图2 RF LDMOS器件功率测试曲线：(a)P波段 (b) L波段 (c) S波段

成果描述：我们研发的低介低损耗LTCC微波介质材料主要参数满足： 烧结温度：900度 介电常数：5.8~6.5可调 Qf：≥50000市场前景分析：该材料可广泛应用于各种LTCC天线、滤波器等微波集成器件领域和LTCC集成模块的封装领域，市场前景非常好。与同类成果相比的优势分析：目前国内还没有该类型的产品问世，相应研究所和企业主要是购买国外的Ferro公司的A6材料。由于A6材料价格昂贵，且主成分为玻璃体系，限制了其推广和应用。本成果材料主要为陶瓷体系，与LTCC工艺的兼容性很好，且成本低廉，优势明显。

2月1日，清华大学深圳国际研究生院马兆远课题组首次公布基于AI技术的对全国疫情扩散情况及高峰期预测模型。根据后续一周内国家卫计委公布的疫情实时数据反馈，该模型在一周（2月1日至2月7日）之内的预测结果与真实情况吻合度较高，平均准确率达98%以上。团队比较早地对疫情高峰期及拐点出现时间做出“2月7-12日内达到峰值，疫情拐点最迟于2月16日前后出现，总感染人数或达7万”的预判，该预测与钟南山院士的判断互相印证。虽然预测结果的准确度得到验证，课题组团队并没有因此松懈，而是不断根据最新的数据变化调整参数、优化拟合结果，同时积极联络政府相关科技、数据信息等部门，让预测结果成为施策者有力的决策参考。2月1日，清华大学深圳国际研究生院马兆远课题组首次公布基于AI技术的对全国疫情扩散情况及高峰期预测模型。根据后续一周内国家卫计委公布的疫情实时数据反馈，该模型在一周（2月1日至2月7日）之内的预测结果与真实情况吻合度较高，平均准确率达98%以上。团队比较早地对疫情高峰期及拐点出现时间做出“2月7-12日内达到峰值，疫情拐点最迟于2月16日前后出现，总感染人数或达7万”的预判。