本发明属于结构优化设计相关技术领域，其公开了一种适用于 增材制造的自支撑网状结构拓扑优化设计方法，其包括以下步骤:(1) 利用 SIMP 材料密度-刚度插值模型，获取[0，1]之间不同层次实体材 料的密度分布，同时得到宏观材料布局形式及宏观位移场;(2)构建基 于参数化水平集方法的优化模型，在宏观材料布局优化的基础上，针 对不同的中间密度单元进行微结构构型拓扑优化，并输出最优细观微 结构构型。上述方法将支撑结构与所设计结构自身相结合，融合了宏 观材料布局优化及细观微结构

"本发明公开了一种利用网关节点缓存优化分布式块存储写性能的方法,具体包括：缓存经过网关节点的数据，并采用计数表对各数据块的访问次数进行计数；对于用户请求，若为读请求，则在读请求命中缓存时从缓存读取数据，在读请求未命中缓存时从本地节点或者副本节点读取数据；并将该请求访问过的节点计数加一；若为写请求，则先写网关节点的缓存，然后在该写请求对应的其他副本节点上做日志备份，用于掉电恢复；在提高系统性能的同时还保证了数据的可靠

一种基于聚类强化学习的城市道路交叉口交通信号优化方法，该方法涉及智能优化技术领域，可以提高单位时间内通过道路交叉口的车辆数。道路交叉口是道路网的重要组成部分，也是路段交通流的瓶颈。研究显示，城市平面交叉口的通行能力只相当于路段上的40%-50%。平面交叉口所消耗的时间约占全程时间的31%，而车辆行驶延误时间中有80%-90%由平面交叉口延误造成。提高城市平面道路交叉口的通行能力，可以减少车辆延误，节约人们的出行时间，增强人们的出行安全，并能够减轻环境污染。  本发明能够根据交叉口的 交通状态自动选择合适的相位动作，以适应交叉口交通状况的变化，能够提高单位时间内通  过交叉口的车辆数，减少车辆延误。与其他聚类强化学习方法的不同之处在于，本发明在学 习过程中，能够根据回报值的标准差动态地增加或减少质心数，能在保证强化学习收敛的前  提下尽可能地减少质心数，从而尽可能减少Q值函数存储空间、提高收敛速度，使交通信号控制策略更快地适应当前交通流情况，从而尽可能减少交通延误。

多发性骨髓瘤(Multiple myeloma，MM)和三阴性乳腺癌(triple-negative breast cancer，TNBC)是两种截然不同的肿瘤类型，据之前统计和预测，2018年仅在美国两者合计有大于7万例新增病例，并导致超过1.6万人死亡（American Cancer Society 2018 Facts and Figures）。MM起源于恶性浆细胞增殖, 而TNBC则是一种由缺乏雌激素、孕酮和HER2受体导致的对大多数激素疗法具有耐药性的高度转移性乳腺癌。尽管MM和TNBC在生理表现或目前的药物干预方面没有明显的相似之处，但它们都依赖于26S蛋白酶体功能来维持正常的肿瘤生存。这一依赖性也成为了TNBC和MM的“阿喀琉斯之踵”。FDA已经批准bortezomib、carfilzomib和ixazomib等数个蛋白酶体抑制剂以治疗MM，但这类药物的使用通常会导致癌症耐药性与复发，最终使治疗失败，因此亟需开发克服耐药的新的治疗方法。  26S蛋白酶体在其不同的亚基上有>300个保守的磷酸化位点，但参与相关修饰的激酶和磷酸酶还远未获得充分研究。美国UCSD的Dixon课题组之前研究发现双特异性酪氨酸磷酸化调控激酶2（DYRK2）是一个蛋白酶体调控激酶（X. Guo et al., Nature Cell Biology 18, 202-212 (2016)）。它磷酸化蛋白酶体RPT3亚基上的Thr25位点，增强蛋白酶体活性；抑制这一磷酸化过程则显著降低蛋白酶体活性，进而导致TNBC小鼠异种移植模型中肿瘤细胞周期进展受阻、生长减缓（S. Banerjee et al., PNAS 115, 8155-8160 (2018)）。本工作验证了蛋白酶体调节因子DYRK2作为多发性骨髓瘤和三阴性乳腺癌的治疗靶标的可行性，并报道了一种高效、高选择性的DYRK2小分子抑制剂，在细胞与动物水平验证了该分子的抑癌作用。由于使用了抑制蛋白酶体调节因子这一新颖的机制，该小分子抑制剂可以克服多发性骨髓瘤和三阴性乳腺癌对蛋白酶体抑制剂产生的耐药性。该工作表明靶向26S蛋白酶体调节因子有望成为针对多发性骨髓瘤和三阴性乳腺癌的新治疗策略，为克服肿瘤耐药性难题提供了新的思路。目前，雷晓光、肖俊宇课题组正在与北大人民医院路瑾医生的团队紧密合作，进一步积极推进针对临床中多药耐药的多发性骨髓瘤的转化医学研究与临床前候选药物开发。

一种掺杂锌和钴的氢氧化镍/碳纳米复合材料，包括碳材料粉末基底和负载在碳材料粉末基底上的掺 杂锌和钴的氢氧化镍，所述碳材料粉末的质量百分比为 1wt.％～99wt.％，所述镍、锌和钴的摩尔比为 80-98：1-10：1-10。其制法为：将碳材料粉末与溶剂加入到反应器中，超声波振动处理，得到充分润湿 的碳材料；将镍盐、钴盐及锌盐加入到超纯水中，配制成混合反应溶液；将混合反应溶液加入到充分润 湿的碳材料中，以喷雾的方式加入强碱水溶液，过滤，洗涤、干燥

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。