近日，我校材料学院刘润辉教授课题组在促血管内皮化生物材料研究中取得了突破成果，通过聚合物策略实现了选择性促进内皮细胞生长和促快速内皮化功能。

基于聚焦离子束－扫描电子显微镜双束(FIB-SEM)的切割－扫描操作, 能够使材料的微纳结构在三维空间的精确重构得以实现。经过多年经验的积累，已开发出一套针对拥有复杂微纳结构的金属陶瓷复合材料进行三维重构的技术解决方案。该技术在固体氧化物燃料电池领域，为固体多孔电极材料的微纳尺度精确定量分析提供了有力的技术支持。作为本领域的知名专家,美国西北工业大学的 Scott A. Barnett 教授曾在国际 SOFC 领域规模最大的年会 International Symposium on SOFC 中重

1991年发现的碳纳米管（CNT）以及2004年发现的石墨烯（graphene），分别是一维和二维纳米材料的典型代表，被认为是21世纪的战略性材料。 本项目发明了一类新的催化剂和大量制备SWNTs的方法，实现了高质量单壁碳纳米管的宏量制备（图1），纯度达70%以上，并达到了产业化规模（达200公斤/年以上）。 采用机械共混及"原位"聚合等方法，使SWNTs有效地分散于高分子基质中，获得了以环氧树脂、ABS及聚氨酯等为基质材料，电导率达0.2 S/cm、导

六价铬对人体具有慢性毒害，可以通过消化道、呼吸道、皮肤和粘膜侵入人体，主要积聚在人体内的肝、肾和内分泌腺中。六价铬有强氧化作用，所以慢性中毒往往以局部损害开始，逐渐发展到不可救药。通过光催化可实现六价铬还原为无毒害的三价铬。现有光催化剂多数只能利用紫外光区域，催化性能较低。酞菁在可见光区域具有良好吸收效果，通过利用八甲基取代的酞菁铜纳米棒与氧化石墨烯制备复合材料，可以有效提高光催化剂的光谱吸收范围，实现太阳能的充分利用，同时加快电荷传输，实现在水溶液中高效还原六价铬，在日常太阳光照下两小时内降解97%的水中的六价铬。

具有开壳结构的自由基有着独特的光学、电学和磁学性质，在有机电子学、自旋磁电子学、非线性光学和储能器件等众多领域中具有广泛的应用前景。课题组通过理论计算和顺磁共振结果证明BTICN和QTICN具有双自由基特性，其中具有更大分子骨架的QTICN的双自由基特征指数达到0.67。

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。

高端智能化、高效节能、低耗能的机械设备主要为：履带式的移动破、圆锥破