新葡京娱乐场-大陆娱乐场开户注册

MoTe2是由MoTe6八面體結(jié)構(gòu)單元構(gòu)成的原子層沿c方向堆疊形成的二維材料系統(tǒng)，不同的堆疊方式具有不同晶體對稱性。1T-MoTe2在室溫時是單斜的1T’相，隨著溫度降低在250K時發(fā)生結(jié)構(gòu)相變，轉(zhuǎn)變成正交的T_d相，其中可以存在第二類外爾費米子。王楠林課題組通過實驗發(fā)現(xiàn)高強度的近紅外激光脈沖可以在亞皮秒時間尺度內(nèi)將中心反演對稱性破缺的T_d相驅(qū)動到具有中心反演對稱的1T’相。該相變發(fā)生的最明顯的特征是時間分辨的反射率變化中橫向剪切振蕩聲子的消失和二次諧波強度的急劇下降。通過選擇和改變激發(fā)脈沖的脈寬和波長，從實驗上排除了激光加熱效應。該項研究首次在超快亞皮秒尺度內(nèi)實現(xiàn)了激光誘導的非加熱效應引起的MoTe2晶體中第二類Weyl半金屬相與正常半金屬相的超快結(jié)構(gòu)相變。它為超快激光控制固體的拓撲特性開辟了新的可能性，使超快激光激發(fā)的拓撲開關(guān)器件具有潛在的實際應用價值。 該工作于2019年5月22日在線發(fā)表于著名學術(shù)期刊Physical Review X（Phys. Rev. X 9, 021036 (2019)），第一作者為量子材料中心博士生張夢瑤，王楠林教授和其研究組的董濤博士是通訊作者，量子材料科學中心王健教授研究組為該工作提供了樣品。該項研究得到國家自然科學基金委員會、國家重點研究開發(fā)項目等項目的支持。Figure: Pump induced SHG time traces of MoTe2 at selected fluences at T=10 K. The graph shows that as the laser fluence increases, the signal of the second harmonic of the sample drops significantly. The inset is a time-resolved schematic diagram of second harmonic detection

腫瘤細胞異質(zhì)性是腫瘤異質(zhì)性的重要成因之一，可導致腫瘤在增殖能力、侵襲能力和藥物敏感性等方面產(chǎn)生重要差異，影響腫瘤的診斷與治療，最終影響患者身體健康與生命安全。因此，腫瘤細胞異質(zhì)性研究對于腫瘤的診斷和個體化治療具有重要意義。而進行腫瘤細胞亞群分離分析是研究腫瘤細胞異質(zhì)性的重要基礎。現(xiàn)有的基于電泳、場流或熒光激活式分離原理的進行腫瘤細胞分離分析的策略存在著特異性差、操作繁瑣或需樣本量大等弊端。基于課題組在磁性梯度分離細菌、腫瘤標志物、蛋白分析等方面前期工作（Analytical Chemistry 2018, 90, 9621-9628；Analytical Chemistry 2014, 86, 9434-9442；Chemistry-A European Journal 2014, 20,14642-14649），該研究以細胞表面標志物Her2表達量差異化的三種乳腺癌細胞(BT474、MDA-MB-453和MDA-MB-231)為研究模型，通過熒光-磁性靶向仿生探針與其識別后形成不同磁性梯度，在恒定外磁場作用下，可分別在90 s、120 s和180 s時間內(nèi)快速逐一梯度分離出三種不同乳腺癌細胞亞型，并基于探針的熒光信號對腫瘤細胞亞群進行了初步鑒定。該研究報道的基于磁性梯度響應的腫瘤細胞亞群分離分析策略具有簡單、快速、準確等特點，為血液樣本中異質(zhì)性腫瘤細胞亞群的近同時分離與分析提供新思路，在腫瘤早期診斷、評估和預后方面具有重要的潛在應用前景。

我校理學院大數(shù)據(jù)研究團隊在人工智能與大數(shù)據(jù)處理技術(shù)研究方面取得系列進展，研究成果分別發(fā)表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能頂級期刊。神經(jīng)網(wǎng)絡是人工智能領(lǐng)域中目前最為火熱的研究方向——深度學習的架構(gòu)基礎。雖然深度學習在近幾年發(fā)展迅速，但是關(guān)于如何設計最優(yōu)神經(jīng)網(wǎng)絡架構(gòu)的問題仍處于探索階段。該團隊分別針對人工智能中神經(jīng)網(wǎng)絡結(jié)構(gòu)復雜、高維大規(guī)模數(shù)據(jù)存在無效和冗余特征、難以獲取長時序信息等問題與缺陷，設計出了一系列網(wǎng)絡結(jié)構(gòu)優(yōu)化、大數(shù)據(jù)特征選擇和時序循環(huán)神經(jīng)網(wǎng)絡模型，有效改善了上述不足，提高了人工智能模型的學習性能。 題目為《帶Group Lasso懲罰與控制冗余的神經(jīng)網(wǎng)絡特征選擇》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究論文發(fā)表在人工智能領(lǐng)域權(quán)威國際期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生張華清為該論文共同第一作者， 我校榮譽教授Nikhil R. Pal院士（印度統(tǒng)計研究所）參與指導，中國石油大學（華東）為第一署名單位。該項工作得到國家自然科學基金、國家科技重大專項、山東自然科學基金、中央高校基本科研業(yè)務費、中國石油天然氣集團公司重大科技項目以及山東省高校青年創(chuàng)新科技支撐計劃的資助。 特征選擇技術(shù)也稱屬性選擇，是指從原始特征或?qū)傩灾羞x擇出最有效的特征或?qū)傩砸越档蛿?shù)據(jù)維度的過程，它是人工智能數(shù)據(jù)預處理環(huán)節(jié)的重要步驟，也是大數(shù)據(jù)處理技術(shù)的重要環(huán)節(jié)。該項工作在神經(jīng)網(wǎng)絡中嵌入Group Lasso懲罰項并實現(xiàn)特征冗余控制，在選出對解決問題最有幫助、蘊含信息量最大的特征或?qū)傩缘耐瑫r，控制所選特征子集的冗余程度，以達到降維的最優(yōu)效果，從而使模型的泛化能力更強，降低神經(jīng)網(wǎng)絡模型產(chǎn)生過擬合的風險。 題目為《基于L1正則化的神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化模型設計與分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究論文發(fā)表在國際人工智能領(lǐng)域權(quán)威期刊IEEE Transactions on Cybernetics。碩士生謝雪濤和博士生張華清為論文共同第一作者，王健副教授為通訊作者，我校榮譽教授Nikhil R. Pal院士（印度統(tǒng)計研究所）參與指導，中國石油大學（華東）為第一署名單位。該項研究成果得到了國家自然科學基金、山東省自然科學基金和中央高校基本科研業(yè)務費的資助。 該項工作借助L1正則子具有的稀疏表達能力，提出兩種神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化學習模型；本項工作另外一個突出貢獻就是提出了一種簡單且具有通用性的收斂性證明方法，同時保證了模型設計的合理性。實驗結(jié)果表明所提出模型具有強大的魯棒性、廣泛的適用性、理想的剪枝能力和良好的泛化能力，適用處理高維大數(shù)據(jù)。該研究成果在人工智能與深度學習構(gòu)造最簡網(wǎng)絡結(jié)構(gòu)方面具有很強的指導作用和應用推廣價值。

前期研究發(fā)現(xiàn)一個海洋真菌來源的，含有特殊的 N-甲基化和 D-型氨基酸片段的小分子活性環(huán)三肽化 合物 X-13，在動物、模式生物和細胞水平均發(fā)現(xiàn)具有強烈的促血管生成作用；對大鼠糖尿病潰瘍損傷模 型也具有顯著修復活性。