产品详细介绍

产品详细介绍

产品详细介绍

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。

蓝晶微生物致力于打造基于微生物的分子和材料创新平台。团队由清华、北大青年科学家组成，顾问团队包括中科院院士，中科院微生物所工业微生物研究室主任等。致力于利用合成生物学技术，提供生物活性分子。业务包括合同付费业务（iGEM科学教育，Holog平台），大客户定制开发（PHA业务线等）及自产经营（CBD开发）。点击上方按钮联系科转云平台进行沟通对接！

已有样品/n本项目建立了从葡萄糖生产戊二胺完整的工艺包。创新了自有知识产权的赖氨酸生产菌种，糖酸转化率达到75%，是报道最高水平；通过蛋白质工程手段获得了耐受高温、高pH且具有高活性的赖氨酸脱羧酶突变体，其酶学性能处于已报道的最高水平；通过调整酶的生产工艺和赖氨酸催化工艺，利用该酶进行戊二胺转化，1吨发酵罐上6h内可以获得218g/L的戊二胺，摩尔转化率大于98%；打通了戊二胺提取路线。经过初步核算，戊二胺的生产成本可以控制在1.4万每吨左右，远远低于己二胺（2.5万每吨）。该成果已申请4项中国发明

本发明公开了一种生物质催化热解制取富含愈创木酚生物油的方法，其特征在于， 以碳酸钠为添加剂，称取一定量的添加剂，配成水溶液，加入粉碎后的生物质原料，保持生 物质原料和添加剂质量比为 8-10％时，干燥去除自由水分，再置于流化床裂解反器中裂解， 裂解产物经冷凝后得到富含愈创木酚生物油。本发明的原料来自天然的生物质，无毒，反应 过程简单，同时原料廉价，真正做到了变废为宝。针对现阶段生物质催化热解后添加剂随固 体产物随意丢弃的现象本发明也提出了一套措施-循环利用催化剂，本发明不仅得到了制取 富含愈创木酚的生物油方法，也更经济环保的解决了热解过程后催化剂何去何从的问题

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。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。