云幻科教根据教育现状，针对于学前教育、义务教育、高中教育的不同需求，研发建设与各学科相配套的3D互动教学资源库，设置演示、交互、练习三大部分。3D互动教学资源库包括小学科学、中学化学、中学数学、中学物理、中学生物等学科资源，还包括校园安全、传统文化等专题资源，为老师提供前沿、创新、有效的教学辅助资料，为学生营造身临其境的沉浸式学习氛围。

实验内容 1、放射性测量的统计误差； 2、α 粒子的能量损失； 3、β 射线的吸收； 4、γ 能谱测量实验； 5、χ 射线吸收和特征谱测量； 6、放射性核素半衰期测量； 7、相对论效应验证； 8、宇宙射线 μ 综合测量实验； 9、正电子淹没寿命谱实验； 10、穆斯堡尔谱仪实验。 ——可根据用户实际需求自由组合实验内容

经济管理学院孙自愿教授的研究团队在企业策略性应对行为研究领域取得研究进展，形成论文《竞争还是普惠？——激励政策选择与创新迎合倾向政策约束》，在《会计研究》2021年第7期上发表，这是经济管理学院在会计科研领域的重要突破。

中国石油大学（华东）动态热演化岩石物理分析系统招标项目的潜在投标人应在青岛市市北区敦化路138号甲西王大厦24楼23A01室获取招标文件，并于2022年07月11日14点30分（北京时间）前递交投标文件。

本发明物理法细胞破碎的微结构装置的结构为：氮气输入管道、细胞悬浮液输入管道、破碎腔室以及破碎板。采用有机聚合物模塑法加工出破碎腔室及其相连的流道，然后用热键合实现破碎腔室的封接，其他部分可用焊接的方法实现连接。细胞破碎系统利用物理碰撞的方法使细胞发生破裂，提取细胞中目标成分进行下一步实验。细胞悬浮液以喷雾状通过管道出口，喷雾颗粒的粒径大约为5微米。高速载气氮气流速为200?300m/s，将喷雾状微粒子送入破碎腔室，高速撞击破碎板，得以破碎。然后在破碎腔室中收集细胞残留物并从出口输出进行后续微流控实验。

本发明公开了一种基于化学和物理交联的双网络纤维素凝胶系材料，该材料包括水凝胶、气凝胶和 生物塑料。在纤维素溶液中加入定量的交联剂并搅拌后先形成部分化学交联的纤维素凝胶，然后将该凝 胶置于纤维素的非溶剂中进行物理交联，经过水洗后得到双网络纤维素水凝胶。由双网络纤维素水凝胶 干燥制备双网络纤维素气凝胶;将双网络纤维素气凝胶在 150?oC 以上热处理后得到碳气凝胶;将双网 络纤维素水凝胶或气凝胶热压制备双网络纤维素生物塑料。本发明制备的双网络纤维素材料具有优良的 力学性能、高的比表面

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。

中山大学黄立南教授课题组利用大规模宏基因组数据，探究酸性矿山废水（acid mine drainage, AMD）底泥环境中病毒物种和功能的生物地理分布及其对原核微生物群落、理化因子、气候条件以及地理距离的响应，促进了对于自然环境中病毒-宿主-环境三者间相互作用关系的理解。

中国传媒大学物理虚拟仿真实验平台项目竞争性磋商