本发明公开了一种固体氧化物燃料电池阴极气体流场板，用于 均匀分配氧化气和收集阴极电流，其由多个相互平行连接且尺寸相同 的齿形波纹块构成，齿形波纹块由两个错开距离(7)后平行排列连接的 齿形波纹条(3，4)构成，齿形波纹条(3，4)由多个相互交替连接的平顶 凸台(2)和平板(1)构成，平顶凸台(2)呈齿形轮廓状，平板(1)连接所述平 顶凸台(2)的根部，以形成齿形波纹状，平顶凸台(2)横截面形状为等腰 梯形去掉下底边后

利用四通道连续喷墨打印机，结合钙钛矿成膜特性和原理，开发了一种适用于混合钙钛矿薄膜制备的高通量连续喷墨打印技术。四种前驱体对应四通道喷头，每种喷头可以打印一种成分，在同一玻璃基底上依次打印，通过控制每个喷头的打印点进而形成不同组分钙钛矿薄膜。整个打印过程可以通过系统软件控制，实现全自动混合打印。打印的薄膜成品质量高，能够进行物相、光学吸收和荧光强度

本发明公开了一种半密封式固体氧化物燃料电池阴极的测试夹 具；包括固定部分、活动部分和底座；固定部分包括用于通气的内管、 用于排气的外管、套筒以及用于收集电流的第一铂线和第一铂网；活 动部分包括连接管，位于内管与外管之间，且与外管同轴设置；底座 包括陶瓷管、端盖、第二铂线、第三铂线、第二铂网和第三铂网；第 二铂线与第二铂网连接，第三铂线与第三铂网连接，第一铂网与待测 样品的工作电极即阴极连接，第二铂网与待测样品的对电极

碳纳米管-硅太阳能电池将具有优异透明导电性能的碳纳米管和高吸光性能的单晶硅完美结合，工艺简单，备受学术界关注。和目前光伏领域所研究的钙钛矿、半导体薄膜、量子点等材料相比，碳纳米管-硅电池将传统硅材料和新型碳纳米材料两者优良的光电性能相结合，有望成为下一代光伏候选技术。和传统晶体硅电池相比， 该电池省略了制备p-n结的热扩散工艺，小面积时无需蒸镀金属栅格，单壁碳纳米管的导电性和载流子迁移率远远高于晶体硅，因此具有低成本、高效率的优点。目前， 该领域的典型结构，无论是碳纳米管-硅还是石墨烯-硅电池，都存在电池效率仍有待提高、电池面积偏小的问题，距离实际应用还比较遥远。

碳纳米管-硅太阳能电池将具有优异透明导电性能的碳纳米管和高吸光性能的单晶硅完美结合，工艺简单，备受学术界关注。和目前光伏领域所研究的钙钛矿、半导体薄膜、量子点等材料相比，碳纳米管 - 硅电池将传统硅材料和新型碳纳米材料两者优良的光电性能相结合，有望成为下一代光伏候选技术。和传统晶体硅电池相比， 该电池省略了制备 p-n结的热扩散工艺，小面积时无需蒸镀金属栅格，单壁碳纳米管的导电性和载流子迁移率远远高于晶体硅，因此具有低成本、高效率的优点。目前， 该领域的典型结构，无论是碳纳米管 - 硅还是石墨烯 - 硅电池，都存在电池效率仍有待提高、电池面积偏小的问题，距离实际应用还比较遥远。

本发明公开了一种用于液流电池的不对称无机陶瓷膜及其制备方法，属于电池隔膜技术领域。用于液流电池的不对称无机陶瓷膜包括基底层、过渡层和选择层；基底层为厚度为0.5~2 mm、孔径为0.5~3μm的氧化铝陶瓷片；过渡层的材质为氧化铝，其厚度为10~30μm，孔径为80~120 nm；选择层为单层或多层结构，选择层中各层的材质为氧化铝、氧化钛和氧化锆中的至少一种，每一层的厚度为0.5~5μm，孔径为2~10 nm。本发明的用于液流电池的不对称无机陶瓷膜携带大量的羟基基团，这些呈电负性的羟基基团通过道南效应可以排斥锌酸根离子，从而有效避免金属锌的不规则沉积，进而有效抵御锌枝晶对隔膜的刺穿。

南方科技大学化学系副教授何凤课题组在能源领域顶级期刊Joule发表最新研究成果，介绍了团队合成的一种定位三氟甲基取代的高效有机太阳能电池受体材料，该材料可通过H/J聚集的协同作用形成具有更多电子跳跃传输结点的三维网络结构，可极大改善电荷在分子间的传输，大幅提高器件性能。 在该研究中，团队成功地将三氟甲基引入到稠环电子受体中，得到了超窄带隙受体BTIC-CF3–γ，并将其应用于太阳能电子器件中，极大地提高了器件的能量转换效率，充分体现出光谱红移和超窄带隙的优势，在多元体系、半透明器件和叠层器件应用方面展示出非常有潜力的前景。更重要的是，BTIC-CF3–γ的单晶结构有助于研究人员从分子层面理解这类分子的堆积形式以及分子间相互作用，也为进一步设计新的高性能材料提供了有利的依据和指导。

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。