低聚物辅助法对于大多数有机太阳电池来说是一种简便通用的策略，因为它有效地解决了有机太阳电池普遍存在的关键问题。同时，低聚物的设计和合成不需要刻意或巧妙的设计，只是遵循主体聚合物的结构并通过常规偶联方法制备。

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。

为了进一步验证红树植物在全球气候变化下是否足够强健，研究人员对现存红树物种的历史群体大小动态变化分析，发现大多数红树物种在海平面快速变化时期发生了种群规模急剧减少和破碎分化。

（专利号：ZL 201510680106.5） 简介：本发明公开了一种用Bi/Mo/Co/La/Fe五组分复合氧化物催化剂移动床合成1,3‑丁二烯的方法，属于化学化工技术领域。本发明将制备好的五组分复合氧化物催化剂置于移动床反应器中，并将混合气导入反应器中，保持一定空速和催化剂床层温度进行反应，得到1,3‑丁二烯产物，反应催化剂逐渐移动至再生反应器，并向移动床反应器中补充新鲜催化剂。本发明采用Bi、Mo、Co、La、Fe和去离子水按照一定摩尔比配置，碱液调节pH值，经浓缩、过滤、干燥、焙烧、冷却后，再通过研磨、筛分得到Bi/Mo/Co/La/Fe。与传统的工艺不同的是：根据本发明，调节催化剂中金属Co、La、Fe的含量就可以制得用于1,3‑丁二烯制备工艺的高活性、高选择性五组分复合氧化物催化剂。

（专利号：ZL 201510685135.0） 简介：本发明公开了一种用Bi/Mo/Co/Ce/Fe五组分复合氧化物催化剂移动床合成1,3‑丁二烯的方法，属于化学化工技术领域。本发明将制备好的五组分复合氧化物催化剂置于移动床反应器中，并将混合气导入反应器中，保持一定空速和催化剂床层温度进行反应，得到1,3‑丁二烯产物，反应催化剂逐渐移动至再生反应器，并向移动床反应器中补充新鲜催化剂。本发明采用Bi、Mo、Co、Ce、Fe和去离子水按照一定摩尔比配置，碱液调节pH值，经浓缩、过滤、干燥、焙烧、冷却后，再通过研磨、筛分得到Bi/Mo/Co/Ce/Fe。与传统的工艺不同的是：根据本发明，调节催化剂中金属Co、Ce、Fe的含量就可以制得用于1,3‑丁二烯制备工艺的高活性、高选择性五组分复合氧化物催化剂。

本发明公开了一种突变型 KCNQ1，即 S140G-KCNQ1。还公开了利用 KCNQ1 来筛选心肌 KCNQ1 钾离子通道的抑制剂的方法，它包括步骤：（a）将（i）表达 KCNQ1 表达载体和 (ii)KCNE1 表达载体或 KCNE2 表达载体转入哺乳动物细胞；（b）在转化的哺乳动物细胞 的培养基中，添加候选物质，并测定添加前后的电生理钾离子流，其中，如果加入候选 物质后的电生理钾离子流减小，则表明该物质是心肌 KCNQ1 钾通道的抑制剂。该方法可 快速筛选治疗房颤的候选药物。

开发出了一种基于钴酞菁（CoPc）分子的高性能CO 2 还原电催化剂材料。在纳米尺度上，CoPc分子通过强π-π相互作用均匀的附着在碳纳米管(CNT)外壁上，形成CoPc/CNT复合物。与CoPc分子相比，该复合物电催化剂显著提高了CO 2 还原为一氧化碳（CO，一种在大规模化工产品制造中广泛应用的重要工业气体）反应的电流密度并有效改善了催化剂的选择性以及稳定性。在0.1 M 碳酸氢钾 (KHCO 3 ) 电解质中进行电催化CO 2 还原时，CoPc/CNT复合催化剂能够在0.52 V的过电势下稳定地维持10mA cm -2 左右电流密度10小时以上，并且CO的法拉第效率始终保持在90%以上。在分子水平上，通过在CoPc分子上引入氰基（CN）,得到的CoPc-CN/CNT复合物电催化剂在0.1M KHCO 3 水相电解质中催化CO 2 还原为CO的法拉第效率在研究的电势区间内都达到95%以上。该CoPc-CN/CNT电催化剂能够在0.52V过电势下进一步提高CO 2 还原的电流密度至15mAcm -2 ，转化频率（Turnover Frequency, TOF）为4.1s -1 。该复合催化剂在电催化CO 2 还原中能够实现较高的电极电流密度(可媲美当前最好的非均相电催化剂)，同时维持单个催化位点的高活性(可媲美当前最好的分子体系电催化剂)。该项研究表明这种分子/纳米碳复合材料是一类非常诱人的能够转换过剩排放CO 2 为可再生燃料的电催化剂材料。

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。