四川大学抗击新冠肺炎疫情应急科研攻关相关项目组联合中国移动，发挥文、理、工、医多学科交叉融合优势，充分利用华西医学科研资源，在“5G医学转化服务平台”和“医学+信息”基础上，研发成功的基于5G云计算的新冠肺炎免疫检测与智能分析系统是全球首个运用新冠肺炎生物芯片，融合物联网、大数据、人工智能、云计算等信息技术的高科技产品，能在不同场景（机场/车站安检、大型活动安检、社区及个人自检等）对目标人群开展免疫检测，并通过人工智能技术进行分析，为新冠疫情的最终解决提供必要技术支撑。该系统实现了检测点的分散式布局与检测资源下沉，能避免集中检测的交叉感染，检测方便快捷，准确率高，数据自动上传国家指定平台。

准备了高效红、绿、蓝量子点和纳米材料，无机量子点材料在发光、显示、太阳能 电池、生物医学领域都有广泛的应用前景。如下图为蓝光量子点材料的图谱。 利用制备的 ZnO 纳米阵列首次得到了色纯度较高的有机复合/无机紫外 LED，实现了室温下 ZnO 纳米棒在 380nm 附近的电致发光。并利用所制备的 ZnO、TiO 量子点和纳米材料，实现在太阳能电池领域的应用，提高了有机太阳能电池的效率。

成果来源于江苏省科技招标项目，江苏省高技术项目及国家创新计划等项目。项目完成过程中申请十多项国家发明专利，研制出的PDP荧光粉在VUV激发下的发光亮度、色坐标、发射波长，以及粉体中心粒径等性能指标均达到或超过日本化成公司PDP荧光粉的实物质量水平，在荧光粉的抗劣化性能及分散性等方面优于日本化成公司PDP荧光粉。该产品在荫罩式全彩色PDP上进行了涂屏试验，涂覆效果良好，涂屏后的整屏亮度与使用国外商用PDP粉的效果相当。

采用可聚合的甲基丙烯酸月桂酯为溶剂，以热注射法制备钙钛矿量子点，直接与低聚物和引发剂混合，通过紫外光聚合原位制备高质量的量子点-高分子复合薄膜。与经典的十八烯体系纯化后制备的量子点-高分子复合薄膜相比，甲基丙烯酸月桂酯体系制备的薄膜具有更优异的光学性能，绝对荧光量子产率超过90%，超过了传统镉基量子点薄膜。该课题组采用高绝对荧光量子产率的绿光发射的复合薄膜和红色发射荧光粉（KSF）作为液晶背光中蓝光发光二极管（LED）的下转换荧光材料所制备的原型显示器件，在国际照明委员会（CIE）1931颜色空间中的色域覆盖率为115%，超过传统的镉基量子点显示器件10%以上，同时还具有优异的低蓝光健康护眼的特性。此外，该显示器件具有很好的耐高温高湿和耐强光老化性能。这些为发光量子点材料在新一代广色域显示器件中的应用奠定了基础。

自1987年美国柯达公司的邓青云C．W．Tang等人报导了有机电致发光以来，在全世界范围兴起了一场有机薄膜发光二极管研究热潮。有机薄膜发光二极管具有主动发光、响应快、全固体化、容易实现彩色化和驱动电压低等独特的优越性，是很有潜力的平板显示器，它将取代现在统治市场的液晶显示器。然而高亮度、长寿命和高效率的有机电致发光器件是人们一直梦寐以求的。 有机电致发光器件虽然发展非常迅速，发展规模也是空前的。但是为了得到高亮度、高效率和长寿命的有机电致发光器件，人们对有机电致发光中的一些问题并没有很好的解决，如由于目前空穴和电子传输层材料和制备工艺的限制，用普通有机电致发光器件的结构：ITO/空穴传输层/有机发光层/背电极，有如下一些问题：发光层与电极之间的互扩散，没有足够高的空穴和电子迁移率，以及注入的空穴与电子不够平衡等。这些问题限制了有机电致发光器的进一步改善，成为有机电致发光器件发展的重要瓶颈，无法制备性能优异的有机发光器件。 技术特点： 对有机薄膜电致发光器件的结构和电子传输层材料进行改进，从而有效提高有机薄膜电致发光器件的亮度、效率和寿命。 技术特点：是在透明电极上，依次制备空穴传输层、有机发光层、电子传输层、电子电势补偿层和背电极所组成薄膜结构有机电致发光器件，其特征在于：在有机发光层与电子电势补偿层之间加入电子传输层，电子传输层采用宽禁带无机材料。 该器件在有机发光层与电子电势补偿层之间加入无机电子传输层这种结构可以大大改善有机电致发光器件的发光层与电极之间的扩散，注入的空穴与电子的不够平衡等，使有机电致发光器件的发光亮度，效率和奉命得到提高。

准备了高效红、绿、蓝量子点和纳米材料，无机量子点材料在发光、显示、太阳能电池、生物医学领域都有广泛的应用前景。如下图为蓝光量子点材料的图谱。  纳米材料的透射电子显微镜图谱，其中右下角的插图分别为各自在紫外灯照射下的数码照片 利用制备的ZnO纳米阵列首次得到了色纯度较高的有机复合/无机紫外LED，实现了室温下ZnO纳米棒在380nm附近的电致发光。并利用所制备的ZnO、TiO量子点和纳米材料，实现在太阳能电池领域的应用，提高了有机太阳能电池的效率。

有机发光二极管（OLED）显示技术具有低成本、柔性化、可大面积生产等显著特点，将引领显示和照明两大产业领域。未来市场对涉及OLED的所有材料的需求将呈现飞跃式增长。根据国际知名的产业咨询公司IDTechEx提供的市场调查报告，2016年全球有机发光二极管(OLED)市场是160亿美元，2026年将迅速增加至570亿美元。因此，发展OLED关键材料，对于抢占OLED市场份额，具有重要的意义。    本项目开发了一系列环金属铱/铂配合物、稀土金属配

本实用新型公开了一种毛发光谱检测装置，包括光源、样品放置单元、光纤、集成了准直单元的色 散元件、聚焦元件、设于聚焦元件的焦平面的光检测器、处理单元和显示单元，光源、样品放置单元、 色散元件、聚焦元件、光检测器沿光路依次设置；光纤用来将样品放置单元上样品的反射光引导至色散 元件；光检测器与处理单元信号连接，处理单元与显示单元信号连接。本实用新型可高效便捷地实现毛 发光谱曲线的自动化检测，基于检测的毛发光谱曲线可对人体健康进行大致的评估。

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。

研究背景：  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。