本发明公开了一种金刚石-立方氮化硼万能型超硬刀具材料和刀具及其制备方法，其特点是以金刚石和立方氮化硼为原料，经预处理与成型后，将坯件装配烧结单元放入高温高压装置中，在压强为7-25GPa温度为1000-2700℃，烧结固溶强化10s～30min，获得晶粒大小均匀，晶界严密闭合，金刚石与立方氮化硼晶界之间硼、碳、氮原子形成高原子密度、三维网状、强共价键的致密结构金刚石-立方氮化硼万能型超硬刀具材料；再将万能型超硬刀具材料加工成等高的圆柱体，两端抛光平整之后加工成边长和厚度均为2～3mm的三角柱体，在真空度1x10-3Pa,温度800℃与钢质合金基底焊接，然后用激光加工成半径为0.4～0.8mm的刀尖圆弧的超硬合金刀具。

本发明提供一种基于石墨烯/介孔碳纳米复合材料生物传感器及其制备方法。本发明包括采用水热合 成法制备石墨烯/介孔碳纳米复合材料，将其作为吸附酶固载材料；采用生物传感及电化学原理，通过将 丝网和喷墨印刷相结合的方法制作检测试纸，丝网印刷用于印制导电线路，采用非接触的喷涂方式将敏 感生物元件喷印到电极支持物上，其中喷涂材料的喷涂量和喷涂面积可以控制。纳米复合载体材料是在 石墨烯片层的两面生长介孔碳，制成石墨烯/介孔碳复合材料，将其作为载体固载酶，与生

过使用金属元素铼掺杂的方式，成功优化了样品的电学性能。团队发现，适量的铼元素掺杂能够调控Sb2Te3(GeTe)12的载流子浓度以提高其功率因子。同时，团队运用球差矫正透射电子显微镜清楚地捕捉到了样品中的二维缺陷以及锗析出物在掺杂前后的尺寸变化，大量文献表明，材料内部的这些缺陷会强烈的散射声子，进一步降低材料的晶格热导率。该工作使得Sb2Te3(GeTe)12基热电材料的总体热电性能得到大幅优化，在773 K温度下的热电优值达到了2.25，晶格热导

借鉴高分子膜的加工技术，孙道峰教授团队利用HOF是由高可逆性氢键连接而成的特点，通过熔铸法制备了首例HOF多晶膜，并研究了其压力响应的气体渗透性能。

杂化材料中的离子键可有效地提高材料的稳定性和在有机溶剂中的溶解性，为高质量薄膜器件制备提供了便利。

该材料具有双功能基团，能同时富集糖肽和磷酸化肽，同时具有体积排阻的作用，该方法合成简便，重复性好，具有较好的富集效果。

索非布韦（又译为索氟布韦，英文名 Sofosbuvir，CAS：1190307- 88-0）是全球首个丙型肝炎病毒(HCV)NS5B 聚合酶核苷酸类似物抑 制剂，用于治疗慢性丙型肝炎，目前国外已有产品在销售，且利润可 观。国内还没有此类药物，本项目具有重大的发展前景。 采用本课题组开发的新型氟取代反应，设计和开发了一条经济、 绿色和环保的具有巨大临床价值和市场价值抗丙肝药物索非布韦及 其关键含氟医药中间体的制备工艺。本项目的目的是对本课题组开发 的新颖制备工艺进行中试放大研究，进而实现商业化规模制备，从而 产生良好的社会效益和经济效益。 依托南开大学化学院良好的科研平台，以及本课题组多年积累的 有机氟化学及合成有机化学的基础研究成果，我们对具有巨大临床价 值和市场价值的抗丙肝新药索非布韦及其关键含氟中间体的制备工 艺进行优化。小试规模研究结果表明，本制备工艺能以良好的经济性、 兼顾环保、安全等考量获得预期质量要求的目标产品。后期通过小试 放大研究、中试研究和商业化生产确认等产业化开发程序。 

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。