本发明公开了一种提高量子通信网络连通性的纠缠粒子对分发节点部署方法，包括（１）将量子通信网络区域进行划分并编号；（２）对于含有ｎ个量子通信节点的通信网络，随机部署ｍ个纠缠粒子分发节点，计算量子通信网络连通度；（３）利用优化算法计算ｍ个纠缠粒子对分发节点部署位置的最优解，即量子通信网络连通性最优时，纠缠粒子对分发节点的矩形编号和坐标。本发明可用于含有任意量子通信节点数目和任意拓扑结构的量子通信网络，其执行过程简单，且易于实现，量子通信网络的连通性得到显著提高。

基于全同粒子不可分辨性的量子相干性可以提高相位鉴别的成功几率，并且能与基于单个粒子相干叠加的相干性同时存在，因此将在具体的量子信息任务中获得应用。

本发明公开了一种宽谱段光电转换器件量子效率测试系统及方法，包括：量子效率测试箱、电源箱、激光功率计、吉时利源表、控制驱动电路单片机、计算机等。本测试系统可同时测量待测器件的外量子效率(External Quantum Efficiency，EQE)、内量子效率(Internal Quantum Efficiency，IQE)及表面反射率(Reflectance，R)，不需要在测试前使用标准器件进行校准，可测试的光谱波段范围较宽，为300nm～2250nm，满足各类不同禁带光伏电池或光电转换器件的量子效率测量需求。

本发明公开了一种应用于智能配电网的双有源桥直流变换器软启动控制方法，先解锁原边全桥，闭锁副边全桥和外移相角的闭环控制，原边全桥采用斩波控制，开关管Q3和开关管Q4以50％的占空比互补导通，开关管Q1和开关管Q2采用变占空比控制，并且每个开关周期以一定的步长增加；当副边电压上升到足以驱动开关管，且开关管Q1和开关管Q2的占空比都增至0.99时，解锁副边全桥及外移相角的闭环控制；当输出电压达到额定值时，切入负载，输出电压稳定完成启动过程。本发明有效抑制双有源桥直流变换器在启动过程中的电流过冲，保证电流的正负对称，降低对开关管的耐流要求，降低成本，避免变压器偏磁现象，降低变压器的容量、体积和成本。

（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。

深圳国际研究生院弥胜利副研究员团队与深圳市华迈生物医疗科技有限公司合作，在前期微流控芯片工作成果的基础上快速响应，积极申报新型冠状病毒感染应急防治专项，开展基于微流控芯片技术的便携式核酸快检系统研究的科研攻关任务，致力于研发并建立一种低消耗、低成本、高通量、自动化操作的微流控芯片及其检测方法。 该微流控芯片技术可以大大缩短确诊时间，减少人力的投入，以便于医护人员更加有序和高效地开展防控工作；同时，该技术还可作为核酸检测的通用技术，在未来广泛地应用于多种疾病的检测和预防。目前，样机的主要模块已搭建完成，后期将完成软硬件联调，准备申请医疗注册证。

一、项目简介 随着AlphaGo及其Zero的相继推出，近年来以神经网络计算为基础的深度学习及相关优化算法已成为人们研究AI的热点。深度学习算法在AlphaGo中的成功应用主要是依赖神经网络监督学习的网络层次及神经元数量提升，而其Zero的应用不同则是在于引进了博弈优化的思想，这就给以并行计算为核心的神经网络优化算法理论研究提供新的思路。 鉴于传统神经网络优化算法面临非全局优化的难题，我们基于吉布斯分布采样优化计算，提出一种以脉冲神经元构成的混合网络结构动力学系统来实现的神经网络全局优化算法，引进纳什平衡理论来优化的神经网络计算方案，并设计一款相应的通用神经网络并行处理器芯片，以新型芯片编程架构模拟人脑功能进行感知、行为和思考新型芯。 二、前期研究基础 本团队主要是由厦门大学福建省集成电路设计工程技术研究中心、厦门大学集成电路设计与测试分析福建省高校重点实验室的教师与学生组成的，主要从事人工智能、网络通讯、集成电路设计、纳米单电子器件等方面的研究工作，并积累了深厚的研究基础。团队首席科学家郭东辉教授十多年前曾在美国加州Berkeley 大学非线性电路实验室访问，从事有关细胞神经网络(CNN)有关课题的研究，先后主持国家自然科学基金项目五项，其中与神经网络研究内容相关的有两项，分别是《视觉神经网络光电集成系统的研究》(批准号：69686004)和《混沌神经网络加密算法及其相应集成电路的设计研究》(批准号：60076015)。 本团队同时也是厦门市集成电路设计公共服务平台的主要技术支撑单位。在厦门市科技重大专项经费的支持下，我们配备了开展模拟及数字SOC 芯片设计所需要的各种EDA 工具和IC 测试设备。此外，厦门集成电路设计公共服务平台也是TSMC、SMIC 等芯片制造厂重要合作伙伴，并与厦门联芯、三安集成等芯片制造厂也有长期的合作协议，可以进行包括射频及功率芯片在内各类模拟及数字SOC 芯片的设计流片。同样，在学校211 和985 经费的支持下，本团队也独立配备了8 台IBM 服务器分别运行MATLAB、OPNET、SPW、ANSYS、Silvaco TCAD 等系统设计与器件工艺仿真工具。本团队所在的微电子与集成电路学科也已列入我校“双一流”建设学科，有关类脑芯片设计相关课题研究所需要的科研环境建设将得到重点支持。特别是厦门联芯公司在量产后，已将本团队作为其先导技术开发的重要合作伙伴，也委托我们开发相应的器件模型及电路工艺库。在厦门火炬高新区及厦门市IC 平台的支持下，厦门联芯公司还可以为我们团队提供免费的MPW流片业务。 自2009年，本团队与福建新大陆电脑股份有限公司签署 “共建SoC联合实验室”以来，基于该平台，每年合作项目经费近百万，同时还完成了多项横向合作项目：面向金融、税控的专用信息处理与控制SoC芯片开发、安全密码算法研究、区块链接技术研究等等，培养了大批优秀的硕士毕业生；厦门市美亚柏科信息股份有限公司是本团队的长期合作伙伴之一。 总之，不管从算法理论研究还是从应用技术开发来看，本课题组已具备相当优秀的研究基础和研究经验，以及显著的前沿技术攻关能力。 三、应用技术成果我们的相关研究成果也得到企业界的重视和肯定，课题组先后承担过如深圳 华为公司首歀交换芯片项目的调度算法设计、福建新大陆首款二维码识别芯片的算法及后端版图综合设计、台湾盛群公司首款32 位处理器及专用处理器编译器开发和厦门元顺公司多款电源管理芯片的设计。最近课题组还为我国某研究机构开发28nm 的低功耗设计流程专门设计一款挂载加可重构解密算法协处理器的32 位通用处理器验证芯片。

本发明提供了一种气动直线驱动的芯片拾取翻转装置，主要包括旋转驱动组件、翻转臂组件、直线驱动组件、芯片吸取组件和传感器组件，在旋转驱动组件的驱动下翻转臂组件带动芯片吸取组件翻转实现对芯片的翻转，直线驱动组件驱使吸取组件的吸嘴靠近或远离芯片实现对芯片的安全吸取，传感器组件检测吸取组件的翻转角度以供外部控制系统。旋转驱动组件采用伺服电机与减速器的配合方式，保证较高的翻转精度；直线驱动组件采用气动驱动方式调节吸嘴与芯片间的距离以保证两者间的安全间隙。

本实用新型在已有射频防盗系统的基础上，提出一种基于 2.4GHz 无线射频芯片的可恢复低功耗防 盗系统，它是基于 2.4GHz 无线收发射频系统而实现的，其核心包括电子标签，监控装置，而唤醒装置、 恢复追踪装置和上位机非必须。通过加入唤醒芯片进一步降低了电子标签的功耗，并且增加唤醒装置， 恢复追踪装置，上位机，并且配有独特的软件设计，实现电子标签在多个工作状态中定时自动转换，以 达到扩展电子标签的实用性和延长使用寿命的目的，摘要附图中给出了该防盗系统的主要构成模块及数 据流。

1. 痛点问题 激光雷达在自动驾驶等领域有重要应用。基于调频连续波技术的激光雷达（FMCW Lidar）有着探测距离远、抗干扰和同时测速等优势，被认为是最具应用潜力的激光雷达。激光光源是FMCW激光雷达的核心器件之一，FMCW光源的调频非线性会严重影响激光雷达的分辨率，导致有效工作距离缩短，阻碍激光雷达性能的提升。 2. 解决方案 本成果预期解决目前调频连续波激光雷达（FMCW Lidar）中光源调频非线性的问题。本成果提出一种基于硅基外腔芯片的窄线宽激光器，通过无源硅基外腔芯片反射波长中心频率和反射相位的联合调谐，可以实现高线性的激光输出频率调谐，其原理架构与和实验验证结果如图1所示。从而突破了传统FMCW光源直接通过电流调制进行调频导致的非线性限制，直接产生高线性连续调频光信号。 合作需求 1、需要融资1800~2000万元，完成研发实验室及一期生产线的建设，以及前期工程样品的开发； 2、需要800平米左右万级超净厂房及配套办公面积，希望有兴趣的地区或者园区能够提供优惠的政策与支持； 3、欢迎FMCW激光雷达厂家及其它对FMCW光源有需求的客户合作，联合测试、共同开发； 4、欢迎在硅光设计、光有源、无源耦合及自动化生产等方面的技术、管理专家加盟，共同打造激光雷达的中国光芯，共创美好未来。