Tempo大数据应用能力成长平台（简称：Tempo Talents）是美林数据自主研发的面向高校大数据与人工智能领域“教学实践、集中实训与科研创新应用的一体化实验平台”。平台以专业课程教学实践、项目实训为核心，以创新产业应用孵化为目标，围绕大数据核心技术体系及应用，提供丰富元子化课程实践与实训案例资源。依托可视化分析与机器学习开发引擎，过程与结果兼顾的教学管理方式，闯关、考试、竞赛、数据游乐场等多种实验模式，为高校打造教与学充分互动的“大数据应用能力成长平台”。 一、创新教学管理模式，打造自驱型能力成长平台——教学管理平台→柔性化定制课堂教师可以根据教学目标、学生情况，灵活搭配原子课、实训项目及教材→教学考评管一体化统一的审阅、评分入口，实时查看作业提交情况→全景学情分析多维度图表展示学生的学习进度、学习成绩，直观了解到课堂的学习情况 二、Docker集群化部署，支持实验环境一键式访问及智能化管理——实验管理平台→高可用的容器化集群基于容器及容器集群架构运行的大数据实验基础平台，系统高可靠，高灵活，高伸缩性。→智能化实践环境管理预装实验需求的各类软件运行环境，基于浏览器的B/S模式直接访问，根据访问自动启停→一键式虚拟桌面实验台支持基于浏览器B/S模式的 “一键式”访问基于Linux的虚拟桌面环境，可提供 Linux 桌面和命令行操作，并可实现 Linux系统管理 三、不同难易度 不同实践模式相结合，因材施教更进一步——课程实践平台→多模式课程实践在线编码式、命令行、云桌面等多种实验模式→课程自动评测学生在线提交代码，一键自动评测打分，快速获取学习成果反馈→趣味闯关寓教于乐将课堂小测验转换为趣味闯关，激发自主学习热情 四、编码式与拖拽式双环境，开发型与应用型兼顾——项目实训平台→编码式与拖拽式双环境交互式笔记和拖拽式平台双操作模式，满足不同层次学生学习需求→完整实训项目指导手册还原项目落地全过程，将业务分析方法论融入具体项目实训中 →实验报告点评与优秀作业共享实验报告在线提交与点评，分享优秀作业，积累优秀成果 五、智能机器学习开发平台，满足人工智能教学科研需求——人工智能平台→强大的建模算法引擎9大算法类型、120余种分布式算法支持、15种文本算法→全面的分析洞察帮教全方位观察建模过程及结果，让学生在掌握方法的同时也能洞悉建模原理→多模式扩展编程R\Python\Java\Scala\Tensorflow等多种编程语言，学生可自定义算法开发实践 六、拖拽式大数据分析平台，培养学生数据创新探索能力——大数据分析平台→自助式大数据探索分析低门槛拖拽式数据可视化分析，让学生快速构建数据分析应用能力→灵活的可视化交互看板40余种可视化图形，钻取、联动、链接等多种交互模式 →多样的分析报告可视化大屏、分析看板、word报告、数据报表等多种报告形式呈现 七、真实项目经验 名师课程资源，构建优质教学课程资源库——课程资源平台→多学科教学名师课程引入国内一流高校教学团队优质课程，贴合学科最新发展趋势 →创新原子课设计将专业课程的知识点“原子化”，层层递进融会贯通→丰富行业实训案例精选美林数据 200+能源、政府、高端制造等行业头部客户真实项目案例 八、丰富数据资源与灵活数据资源管理，满足教学科研多层次需求——数据资源管理平台→多种数据源接入满足不同大数据平台和SQL数据源、Excel文件数据库、多维数据库、分析型数据库实时数据等不同类型数据源接入 →数据管理与权限分配支持后台配置数据权限，多种数据资源自定义管理→开放数据超市提供宏观、中观、微观全维度数据体系，上亿条数据，数据总容量超过500T丰富数据资源与灵活数据资源管理，满足教学科研多层次需求  

数据资源中心主要用于维护系统分析所用的数据源、构建数据模型、新建视图，并进行数据权限分配与管理。师生可以根据实验和实训需求，自定义新的数据源，作为学生实验练习的数据。同时也满足教师科研项目需求，对接各类科研数据。支持数据按人员、按类型进行分类，确保满足不同数据的精准使用要求，也保证教学与科研的顺畅进行。1、 数据管理数据源管理支持多种类型数据源添加、API数据接口配置；数据模型支持同一数据源下的数据分类管理、元数据管理和维护、数据抽取加速、数据权限设置等功能；模型授权支持将数据模型按照组织机构、角色、组的方式授权给设计用户；总体上来说，数据管理实现各类科研数据的统一接入、管理与权限的按需分配。2、开放数据超市数据超市提供了30多个维度、700多个二级类目、上万个业务标签的全维度业务数据画像，数据总量超过500亿，存储总量超过100T，日均增长超过500万条,为企业采购风控、销售客户评估、AI精准获客、精准招商、投融资、高校科研机构、政府事业单位及各类专业人员提供了企业活力指数评估和全息数据画像，从微观、中观、宏观多方面提供了各类企业数据分析报告、行业趋势报告和相关指数。同时基于国家电网创新应用开发平台、中广核新能源数据价值创新联合体等行业组织，可以精准提供电力、新能源等产业的真实业务数据，为高校相关课题研究提供数据支撑。

基于跨行业数据挖掘标准流程CRISP-DM，实现数据的深度挖掘分析，帮助教师与学生发现数据中隐藏的关系及规律，为教师科研提供数据分析探索、模型构建、成果应用的一站式数据挖掘工具，高效开展行业应用研究。平台支持用户通过简单拖拽、低代码的方式快速完成挖掘分析流程构建。同时支持模型自动化构建、模型智能评估，推荐最优模型与算法。 1、极简的建模过程 基于拖拽式节点操作、连线式流程串接、指导式参数配置，用户可以通过简单拖拽、配置的方式快速完成挖掘分析流程构建。平台内置数据处理、数据融合、特征工程、扩展编程等功能，让用户能够灵活运用多种处理手段对数据进行预处理，提升建模数据质量，同时丰富的算法库为用户建模提供了更多选择，自动学习功能通过自动推荐最优的算法和参数配置，结合“循环行”功能实现批量建模，帮助用户高效建模，快速挖掘数据隐藏价值。 2、丰富的分析算法 内置150多个分析算子，包含30余种数据预处理方法，5种数据融合方法、11种常用特征工程，实现数据融合处理与特征构建；包含聚类、分类、回归、关联规则、时间序列、综合评价、协同过滤等7类N种机器学习算法，支持深度学习、集成学习与自然语言处理等人工智能分析方法，满足各类业务科研场景需求。 3、灵活的扩展能力 支持用户编制SQL\R\Python\Java\Scala\Matlab\PySpark脚本实现个性化的算法脚本。自定义算法功能允许用户通过R\Python\Java\Scala基于平台规范封装自主算法并发布形成平台节点，方便用户灵活扩展平台算法节点功能，增强平台的业务适应能力，充分满足不同领域科研的个性化需求。 4、全面的分析洞察 通过丰富详实的洞察内容，帮助用户全方位观察建模过程任意流程节点的执行结果，为用户开展建模流程的改进优化提供依据，从而快速得到最优模型，发现数据中隐含的业务价值。建模分析报告支持在线查看，并且支持下载可编辑Word版本，支持科研报告及相关成果发布应用。 5、全栈科研成果管理与应用能力 分析成果的快速工程化应用，支持模型以调度任务、异步服务、同步服务、流服务及本地化服务包等形式应用，满足工程化的不同诉求。提供统一的成果分类统计及统一管理监测，帮助用户高效便捷地管理成果、利用成果及监测成果。 6、跨平台模型迁移及融合 支持PMML文件的导入和导出，可以实现跨平台模型之间的迁移和融合，利于用户进行历史模型的迁移，实现用户在不同平台的模型成果快速共享，提升各类科研成果的复用性。    

教学大数据分析展示平台作为专为高校教研开发的数据挖掘分析应用系统，致力于通过对学校教学中的数据的科学采集、存储，智能建模、分析，辅助学院管理员及时把控教学进度，让教师科学制定教学方案，让学生精准认知自我。

研究生论文盲审管理系统，为学院教务管理层提供高效的论文盲审分配机制；协助跟进论文盲审进度及状态，及时有效督促盲审工作开展。专家库建设为论文评审提供了学院专属专家资源库。

MMX5苹果采摘平台基于 ROS 开源系统，集成自主移动底盘及机械臂运动规划。机器人接收到移动抓取任务后，首先根据预先建立的环境模型基于 A* 算法规划最优轨迹，机器人沿着规划的最优轨迹，使用最优化算法进行运动规划，并规避运动过程中障碍物，控制机器人朝目标移动。到达抓取任务目标点后，利用 3D 相机，使用基于 OpenCV 及 YOLOV5来识别及定位目标，根据检测到的目标位姿，利用 MoveIt! 及 Open Motion Planning Library 完成机械臂运动规划，并将规划后的轨迹发送给机械臂控制器，完成抓取操作。

Al协同创新实验云是Al教学实验实训协同工具，涵盖真实行业项目的教学课程、授课教案、实验教学资源、硬件、平台等，可满足人工智能专业的学生了解行业真实案例中从起始阶段、细化阶段、构建阶段、业务环境、需求分析、技术架构选型等等各方面的项目细节，在线完成分类、建模、分析、可视化、结果输出等任务，并支持私有化部署和云端协同，帮助院校开展人工智能应用研发。

现阶段所设计的存算一体器件单元结构如图 1 所示： 器件的基本结构由波导和功能层（由下到上分为加热层、电极层、保护层、相变材料（硫系化合物）层）所构成。拟通过在当前流行的绝缘层上硅(SOI)光子平台上集成四氮化三硅光波导的方式实现器件的光学读取功能，即在非常厚的硅衬底层上生长一层绝缘层二氧化硅和波导层，然后在基片上通过光刻、显影、刻蚀等工艺制备四氮化三硅波导。功能层主要用于实现器件的电学写入功能。加热器层的主要用途是与相变材料层形成电接触，通过较小的接触面积使接触处的热量集中，从而可以在较小的电压或电流下使相变材料发生相变。因此需要加热器层具备较好的导热和导电性能，同时在近 C 波段具有较低的光损耗，可采用石墨烯。电极层可用于提供相变材料器件单元所需要的编程电脉冲。当前拟采用硒掺杂的相变材料合金（如 GSST）作为器件的核心功能层的相变材料。该材料在通信/非通信波段显示了极低的光损耗和更高的品质因数，且相变前后在通信 C 波段具有足够大的光学常数反差，可在更恶劣的高温环境下进行操作，适用于硅基光子器件应用。 采用的主要技术手段包括： ① 依托于相变材料的电致和光致相变特性，通过电学编程、光学读取的方法实现器件的存储、算术运算和逻辑运算功能：  存储功能的实现：拟利用相变材料晶态低透过率和非晶态高透过率分别代表二进制中的‘1’和‘0’，实现数据存储（编程）功能。例如在电极两端施加合适的电脉冲，所产生电流流经加热层时，生成的热量主要集中在加热层和相变材料层接触处，使得接触处的相变材料发生相变，实现存储功能。在完成上述编程操作后，从器件波导输入端输入读取连续光。由于相变材料功能层对光强的吸收能力在编程和非编程区域间存在着显著的差异，因此当输入光经过波导后，其能量会因为相变材料编程区域的吸收而发生改变，进而显著改变输出光强能量。所以通过测量输入输出光强的能量之比（即透过率），可实现对先前编程区域的读取。  算术和逻辑功能的实现：通过调整编程电脉冲的幅度和宽度可以动态调控相变材料的相变程度，使得器件的中间透过率值可用于代表不同的数值，实现多级存储功能。所以拟采用输入脉冲数量对应加数的方法实现标量加法计算。同时由于所设计器件的读取连续光输出功率可视为读取连续光输入功率和器件透过率的乘积，因此可采用将输入功率和透过率作为被乘数和乘数的方法实现基本乘法运算。除此之外还可以将器件功能层的初始状态设置为非晶相，把晶化脉冲幅值和不足以产生晶化的脉冲幅值分别作为输入逻辑‘1’和‘0’；同时设定一个判定阈值并与编程后器件透过率的变化率进行对比，把高于和低于阈值的透过率变化率分别作为输出逻辑 ‘1’和‘0’；通过合理选择编程脉冲有望实现各种逻辑功能输出。 ② 基于器件透射率可调特性验证其实现神经突触的可行性。并依托所设计人工突触构建人工神经网络芯片，实现图像、语音和文本识别功能：  突触可塑性是大脑记忆和学习的神经生物学基础，也是人工类脑器件需要实现的首要功能。为实现突触可塑性，拟把相变材料和波导之间的耦合区域视为仿生神经突触，左右两端电极分别代表突触前和突触后，分别施加在两端电极上的电脉冲则作为突触前和突触后刺激。通过调节从左右两端电极输入耦合区域的电脉冲时间差对耦合区域的光透过率进行连续调控，进而依托于上述存算理论模型和实物器件仿真和实验实现仿生神经突触的脉冲时序依赖可塑性（Spike-Timing-Dependent-Plasticity, STDP)。  将不同波长的光脉冲序列输入所设计的突触单元, 经过相变材料的作用，脉冲强度发生变化，对应于乘法器。进而借助于微环结构，将不同波长的脉冲导入进同一波导中，该功能类似加法器。相加后的脉冲光强较小时，读取光与微环发生共振，在输出端口没有光强输出。当光强达到一定的阈值后，读取信号不再和微环发生共振，而是传播到输出端口。这一过程类似神经元脉冲信号的激发，实现了非线性激活函数的功能。利用上述的单个神经元结构，验证其监督式机器学习和非监督式机器学习。对于监督式机器学习，权重的数值通过外部管理器设置；对于非监督式机器学习，不再需要外部管理器来设置权重值，而是通过输出光脉冲进行反馈控制，调整权重值。在单个神经元结构的基础上，更复杂的光学脉冲神经网络结构，证明该结构的可扩展性。拟设计的神经网络中的每一层结构包括三个功能单元，即收集器、分发器和神经突触结构。收集器将上一层不同波长的光脉冲信号收集到同一根波导中，分发器将光脉冲分发给多个神经元，神经突触结构则产生光脉冲信号，输入给下一层结构。基于上述结构实现图片、语音和文本的识别。 创新性分析：①首次研究了一款基于“电学编程、光学读取”模式的光电混合存算一体化器件。与传统电学存算一体化器件相比,拟研发的器件可以进行长距离的信息传输，具有传输带宽高、信号间延迟低、损耗低、抗干扰、集成密度高等优点。②采用硒(Se)掺杂的相变材料作为存算一体化器件的核心功能材料。与采用其他相变材料的存算一体器件相比，以硒参杂的相变材料作为功能材料的存算一体器件有望展现出极低的光损耗。③提出了一种基于“电学脉冲刺激、光学权重调节”的人工神经突触。该突触器件有望成为未来通用型人工神经突触，填补了光电混合型人工突触的技术空白。 先进性分析：①所提出的光电混合工作模式使得该存算一体化器件不但具有传统集成电路的高密度特性，且兼具光通信技术的宽频带、低延迟、抗干扰的优越性能。②所采用硒参杂的相变材料不但继承了传统材料具有的快速相变转化速度、低功耗和稳定性强等特性，且本身在通信波段非晶态透明的同时还保持了相变前后足够大的光学性能差异的特点。③所设计的突触继承了人工电子突触和全光突触的优点，具有高集成度、低功耗、超快响应时间、稳定性强等优点。 独占性分析：根据已取得成果正在撰写专利，以获得该关键技术的独有权。 

1. 痛点问题 目前硅基太阳能电池占据着太阳能电池的主导地位，其中单晶硅电池转换效率已可以达到25%左右，但它们需要比较多的单晶硅材料，生产成本高。而对于多晶硅，由于缺陷较多，转换效率比较低。III-V族材料转换效率高，但是材料和生产成本居高不下，难以推广使用。虽然可以利用纳米柱阵列来提高光吸收能力及减少材料成本，但是由于纳米柱结构具有很大的表面积，载流子较大的表面复合严重影响着器件的性能，而且需要昂贵的设备生长径向异质结和控制掺杂浓度。 2. 解决方案 本项目提出一种磷化铟纳米柱径向同质结阵列结构的简单制备方法，目前已完成高效太阳能电池验证和原型器件的制备，另还有可见光探测器等在研。 本方法是在磷化铟纳米柱制备过程中，利用刻蚀气体中加入氢气，可以同时实现了磷化铟纳米柱阵列和径向同质结的制备，通过控制刻蚀时间及氢气含量，精确控制磷化铟表面掺杂浓度及深度，相比于其他生长径向同质结的方法，本方法设备简单，制备效率高。在降低成本方面，纳米柱结构相比于平面结构具有更好的陷光效应，只需使用少量的材料便可以实现高效光吸收。 合作需求 本项目下一步发展需求主要集中在与太阳能电池相关企业的技术和产品合作，优化和固定产品制作工艺流程，降低生产成本。其次是资本投资、政府政策等方面的扶持。需要的外部资源主要是产业的工程化和市场资源。