利用合成gRNA-靶序列的高通量文库允许直接在细胞环境中便捷和高通量地收集gRNA活性数据，由此建立的计算模型来预测gRNA的活性比较可靠。

（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。

本技术成果将网络负载均衡与路由技术延生至交通领域中的车流量导航与道路控制，通过基础图论中的关键理论，结合大数据分析与聚类技术，旨在解决现有城市道路路网中存在的潮汐效应与拥堵问题，项目拥有多项自主核心知识产权，涵盖路径规划与搜索算法、数据并行存储与计算。通过仿真表明，项目实施后，能在现有路网规模的基础上，显著提升现有道路的负载通行能力，缓解城市道路因局部负载过大导致的负载不均与交通拥堵，改善出行体验，降低尾气排放，提升智能交通效率。

目前北京理工大学基于神经网络的智能无人机疫情预警监控系统主要由无人机平台、光电载荷、喊话系统和地面控制及图像处理平台组成。 该智能无人机疫情预警监控系统能够自动监控广场、公路、小区等各类环境中的人群，检测人员聚集情况，利用红外热成像技术实时获取人员体温情况，实现在非接触情况下对疑似高危人员的快速区分，并快速形成疫情人员相关数据，还可以提供数据接口，供大数据系统进行分析。该智能无人机疫情预警监控系统可同时提供监控人员及被监控人员交互通道，通过喊话系统，监控人员可以随时疏导或制止被监控人员的异常行为，为疫情监控和预警提供了更为清晰和直接的手段方式。

在中加国际科技合作、自然科学基金中德基金、总装预研基金等的资助下，开展以可穿戴计算、工业无线传感器网络、身体传感网络、感知计算等前沿技术为核心的研究工作，并面向老年健康、工业物联网、移动增强现实等领域研究实用化技术和产品装置，具体包括：1） 工业物联网应用：开发了一系列符合IEEE 802.15.4/Zigbee、Wireless HART等无线传感器网络标准的微型化传感节点、模块、网关，以及相关的协议栈源码。2） 健康应用：主要面向安全、健身、医疗等健康应用，研发超低功耗、无障碍、可长期持续穿戴应用的智能腕带（腕表）、腰带（腰挂、腰带扣）、胸带等各类形态的健康装置，开发运动统计、跌倒预警和检测、睡眠监测、多生理参数监测等产品应用，参见下图。

本技术成果将网络负载均衡与路由技术延生至交通领域中的车流量导航与道路控制，通过基础图论中的关键理论，结合大数据分析与聚类技术，旨在解决现有城市道路路网中存在的潮汐效应与拥堵问题

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。

在中加国际科技合作、自然科学基金中德基金、总装预研基金等的资助下，开展以可穿戴计算、工业无线传感器网络、身体传感网络、感知计算等前沿技术为核心的研究工作，并面向老年健康、工业物联网、移动增强现实等领域研究实用化技术和产品装置，具体包括： 1） 工业物联网应用：开发了一系列符合IEEE 802.15.4/Zigbee、Wireless HART等无线传感器网络标准的微型化传感节点、模块、网关，以及相关的协议栈源码。 图1 工业物联网 2） 健康应用：主要面向安全、健身、医疗等健康应用，研发超低功耗、无障碍、可长期持续穿戴应用的智能腕带（腕表）、腰带（腰挂、腰带扣）、胸带等各类形态的健康装置，开发运动统计、跌倒预警和检测、睡眠监测、多生理参数监测等产品应用

原子核裂变数据的精确测量是很多核物理应用的先决条件，比如核能、国防、辐射防护、核废料处理、产生稀有同位素等。核裂变物理在超重元素合成、反应堆中微子、中子星融合中的r-process等研究中也不可缺少。特别是走向新一代核能-快中子反应堆，急需锕系核区精确的不同能量中子诱发裂变数据。但是目前实验和理论都无法提供可靠及完整的能量相关裂变数据。 由于涉及中子的实验难度较大，国际上主要的核数据库只有几个能量点的裂变数据。理论上基于微观模型去描述裂变过程非常复杂，是一个涉及多维位能面的大幅度、非绝热的量子动力学过程。目前微观理论对裂变可观测量的描述还有较大误差。 此外基于唯象裂变模型对未知核区和未知能区的外推往往不可靠。 北京大学物理学院裴俊琛研究员课题组首次采用贝叶斯神经网络（Bayesian Neural Network）来评估不完整的裂变产物分布。此前贝叶斯神经网络对原子核质量外推有一些成功的应用，并可以得出推断的误差，但是仍有量子壳效应的疑虑。核裂变过程涉及复杂的位能面，裂变产物分布具有统计特征，比较适合神经网络。 贝叶斯神经网络对不完整核裂变产物的评估 目前核裂变产物的实验测量很难给出完整的产物分布，只能结合模型评估给出完整的裂变产物分布。人们通常基于唯象模型、通过调参数来拟合出产物分布。该工作通过对已有裂变数据库的学习，当实验测量给出不完整的裂变数据时能够推断出完整的裂变产物分布。结果表明，随着中子能量增加，裂变模式逐渐从不对称裂变演化成对称裂变。这说明神经网络能成功抓住部分物理图像。当实验数点很少时，唯象评估模型失效，神经网络仍然可以给出有效的评估和合理的置信区间。贝叶斯神经网络对核裂变产物的评估开辟了一个新的方向，展现了机器学习的一个实际应用范例，将对核数据的定量评估产生重要影响，有望更好地提供应用级的精确核数据。 不同能量的裂变模式演化

本专利提出一种动态交互网络环境下网构软件主体系统信任协商构建方法，软件主体根据自己的信任信息建立信任关系，避免了使用证书交换导致信任协商变得复杂繁琐；不需要合作的主体每次交互都重新建立信任关系，软件主体之间不断的信息交互使每个软件主体逐步拥有全局的信任信息。每个软件主体都拥有自己的信任信息，即信任度与合作度，需要合作的两个主体根据合作的方向选择对应的信任度和合作度（契合度）建立信任关系；信任关系建立的成功与否需要与参考值比较，该参考值是按照系统中主体拥有平均信任信息时契合度的计算值；当契合度大于该参考值时建立信任关系，该方法避免了使用证书所带来的麻烦，使得信任关系的建立变得更加简单和清晰。