无机铯铅碘（CsPbI3）钙钛矿材料由于不含挥发性有机组分，是有应用前景的光伏材料。通过使用表面配体限制晶体生长，将其制备成纳米尺度的量子点是得到稳定CsPbI3钙钛矿结构的有效途径之一。

针对载流子表界面复合的问题，研究团队通过在氮化钽薄膜上下界面分别修饰p型的Mg:GaN层和n型的In:GaN层，一方面钝化氮化钽薄膜的界面缺陷，另一方面通过构建异质结提升界面载流子分离能力，实现了最高为3.46%的ABPE，这是目前基于氮化钽光阳极的最高效率值（图）。将体相和界面载流子管理策略相结合，有望进一步提升氮化钽光阳极的效率。

罗正钱教授团队采用少模Pr/Yb共掺双包层ZBLAN光纤作为可见光增益介质，构建基于非线性偏转旋转（NPR）技术的锁模激光腔，利用腔内空间滤波效应和NPR可饱和吸收效应补偿阶跃折射率光纤中超大的模间色散，从而平衡了各横模之间的走离效应，首次实现了可见光波段的时空锁模光纤激光。

依托国家自然科学基金、国家高技术研究发展 863 计划、国防科工委重点课题以及 上海市地方政府重大工程等项目，研究了以全球定位系统（GPS）、遥感遥测技术（RS） 和地理信息系统（GIS）为核心的地球空间信息获取、处理、建模与服务的系统集成理 论、关键技术与应用，在现代测量数据处理、GPS 精密定轨与定位、高精度遥感影像匹 配与制导、空间数据不确定性与质量控制等取得了一系列创新成果。 

对土壤与地下水环境质量问题，提出了污染场地因次动态调查技术方法；形成了多手段的场地风险评估方法，建立了土壤及地下水环境风险制度管控、工程管控与物理、化学、生物系列修复技术体系。在全国各地已完成污染场地调查、评估、修复方案制定和环保验收等项目40余项、场地风险管控与修复工程10余项。为工业污染场地、污染农用地及污染矿山区域提供土壤及地下水环境质量调查、风险评估以及治理修复技术，为此类项目开展环境调查、评估、管控、修复、监理、验收等的方案制定及实施。

本发明公开了一种自适应带速与水果重量的易损水果分级执行装置与方法。包括易损水果输送模块、水果称重模块、输送带速度监测模块、PLC控制模块，输送模块用于传送待分级水果，水果称重模块获得待分级水果的重量，输送带速度实时监测模块在线监测输送带的速度，PLC控制模块根据监测到的水果重量与输送带速度得到分级执行机构最优的转动角度，并控制伺服电机按一定的转速带动水果分级执行机构转动对应的角度，准确的完成易损水果的分级。本发明利用实时监测到的带速和水果重量信息自动调整分级执行机构转动的角度，适用于不同带速和不同质量条件下易损水果的准确分级。

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。