本项目提出一种基于数据总线工作模式可切换的超导量子计算机芯片结构设计(发表于国际一流期刊PRB，2005)，相比于美国Google公司、IBM公司、加拿大D-Wave公司的超导量子计算机芯片而言，具有更强的纠错和避错品质，更易于实现大规模阵列集成。 一、项目分类 重大科学前沿创新 二、成果简介 提出一种基于数据总线工作模式可切换的超导量子计算机芯片结构设计(发表于国际一流期刊PRB，2005)，相比于美国Google公司、IBM公司、加拿大D-Wave公司的超导量子计算机芯片而言，具有更强的纠错和避错品质，更易于实现大规模阵列集成。技术上已经实现了全国产设备工艺线上，芯片电路单元核心器件-约瑟夫森结和共面波导超导谐振器的自行设计制造，在极低温环境下完成了单元器件性能的标定和检验。

成果简介工程车是一个工程建设的主干力量， 由于它们的出现才使工程的进度倍增，大大减少了人力。 混凝土搅拌车与泵车是工程建设中运用最广泛的工程车。 混凝土搅拌车在使用过程中， 会经历加速、 减速、 急刹车、 转弯、 上坡以及行驶在不平路面等各种工况， 这使得混凝土搅拌车在使用过程中会承受各种复杂载荷， 车架及薄弱环节易产生开裂； 混凝土泵车工作环境恶劣， 移动频繁， 在浇注过程中臂架姿态复杂多变， 易造成各臂架之间联接件的破坏。 因此对混凝土搅拌车与泵车等工程车整车及关键结构件静动力特性

本发明公开了一种用于门洞形断面结构衬砌混凝土温控防裂设计计算方法，包括如下步骤:(1)确 定温控防裂目标;(2)计算允许最高温度;(3)拟定温控方案，计算混凝土内部最高温度，在计算最高 温度≤允许最高温度的前提下，设计温控防裂方案。本发明方法的计算公式简单，能合理反映围岩性能、 衬砌结构尺寸、混凝土强度、洞内空气温度、通水冷却及其水温、浇筑温度等的影响，可以迅速计算出 门洞形断面结构衬砌混凝土施工

一、成果简介 该软件以Access为开发平台，已VB为开发语言。软件包括数据录入、数据管理、选育管理、信息查询、报表、管理提示、参数设置、权限设置等9个功能模块。该软件是在国家“十一五”课题支持下取得的成果。 该软件将羊的选育与日常管理相结合，针对我国引进肉羊品种繁育中存在的只繁不育、近交严重等关键问题，软件开发了选育提示和羊群近交估计模块；针对羊场选育数据量大，纸质或电子表格式积累数据

科威达智能交通大数据综合管控平台，运用云计算、大数据、移动互联网、RFID、GPS、GIS等先进技术，实现交通流数据采集、交通信号智能调控、路况分析预测与交通诱导、指挥调度疏导、大数据分析研判及运维管理等功能。平台主要包括以下主要功能：海量交通大数据采集与存储，采用云计算和大数据技术，数据存储采用Hbase分布式数据库，数据处理基于Hadoop分布式离线批处理，应用层采用SOA（面向服务）架构。

项目成果/简介:本作业平台可以实现掘进头支护作业的完全机械化，改善掘进头工作面的支护状况，大大减轻工人劳动强度，能满足一定的超前支护要求，能有效提高掘进面作业速度，充分保证工作人员的作业安全性，是改进目前掘进头支护作业工作方式的综合机械化成套作业设备。

通过车载终端以至少 1Hz 的频率采集发动机动态运行数据和静态数据，并通过远程监管终端上传至远程监管平台；远程监管平台将车辆上传的动态运行数据输入相应的诊断模块进行信号诊断，输入相应的排放因子计算模型计算出排放因子，并读取 OBD 故障信息对排放结果进行有效性评估，从而获得车辆的实际排放状态。

本作业平台可以实现掘进头支护作业的完全机械化，改善掘进头 工作面的支护状况，大大减轻工人劳动强度，能满足一定的超前支护 要求，能有效提高掘进面作业速度，充分保证工作人员的作业安全性， 是改进目前掘进头支护作业工作方式的综合机械化成套作业设备。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。