通常，减少固-液接触是增强表面超疏水性的常用手段，根据Cassie-Baxter方程，固-液接触面积的减小，有利于提高表观接触角和降低滚动角。但由于接触面积的降低，必然导致微/纳结构承受更高的局部压强，从而更易磨损，这就意味着超疏水性和机械稳定性在提高一种性能时必然导致另一种性能下降。该论文基于全新思路，首次通过去耦合机制将超疏水性和机械稳定性拆分至两种不同的结构尺度，并提出微结构“铠甲”保护超疏水纳米材料免遭摩擦磨损的概念。结合浸润性理论和机械力学原理分析得出微结构设计原则，利用光刻、冷/热压等微细加工技术将装甲结构制备于硅片、陶瓷、金属、玻璃等普适性基材表面，与超疏水纳米材料复合构建出具有优良机械稳定性的铠甲化超疏水表面。该工作在集成高强度机械稳定性、耐化学腐蚀和热降解、抗高速射流冲击和抗冷凝失效等综合性能的同时，还实现了玻璃铠甲化表面的高透光率，为该表面应用于自清洁车用玻璃、太阳能电池盖板、建筑玻璃幕墙创造了必要条件。研究人员将该表面应用于太阳能电池盖板，实现了表面依靠冷凝液滴清除尘埃颗粒的自清洁方式，为少雨地区提供自清洁太阳能电池的解决方案。基于玻璃装甲化表面的自清洁技术可巧妙地利用雨或雾滴消除粉尘、鸟类粪便等污染，长期维持太阳能电池高效的能量转换，并节省传统清洁过程中必需的淡水资源和劳动力成本。该论文创新的设计思路和通用的制造策略展示了铠甲化超疏表面非凡的应用潜力，必将进一步推动超疏水表面进入广泛的实际应用。

突触前神经元释放的谷氨酸结合并激活突触后膜的AMPA型谷氨酸受体，介导离子的流动，改变突触后神经元的电活动，从而将神经信号从一个神经元（突触前）传递给下一个神经元（突触后），因而AMPA受体在人类行为、认知、情感等各种神经活动中起关键作用。

目前肿瘤化疗耐受的分子机制尚待进一步解析。肌层浸润型膀胱癌（Muscle-invasive bladder cancer,MIBC）是最为常见和恶性的泌尿系统肿瘤，以顺铂为主的化疗是不可手术和转移性MIBC的一线治疗方案，而由于化疗耐药的产生，很大一部分患者会化疗失败，导致肿瘤复发和进展。

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。