For the predefined-time control problem of unknown nonlinear multi-agent systems (NMASs), a novel adaptive neural consensus control strategy is proposed. Unlike existing predefined-time control approaches, this strategy enables communication of input and output signals through a directed network, and incorporates quantization prior to communication. Firstly, a neural network is employed to approximate unknown functions. Based on the quantized information, a neural-network-based distributed state observer is designed to estimate the unmeasurable states. Secondly, this paper combines backstepping technique with command filtering technology, thereby avoiding the non-existence issue of partial derivatives of virtual control signals caused by output quantization. Moreover, the intermediate auxiliary control signal is constructed using a class of smooth functions. By substituting the quantized output for the continuous output, the actual controller is obtained. To analyze the predefined-time stability of the system, it is necessary to compensate for quantization errors. Based on this, Lemma 12 is proposed. Finally, in a predefined time frame, it is proven that the outputs of the followers converge to a neighborhood of the leader's output, while ensuring all signals within the closed-loop system remain bounded.

2026-08-01·NEURAL NETWORKS

Handling distribution shifts on dynamic graphs via causal invariance principles

Article

作者: Zeng, Qingtian ; Song, Qianyu ; Li, Chao ; Zhang, Yafei ; Liu, Runshuo ; Zhao, Zhongying

Dynamic Graph Neural Networks (DyGNNs) typically assume that training and test data follow an independent and identically distributed assumption. However, in real-world scenarios, the evolving nature of dynamic graph structures violates the assumption, causing classic deep learning models to fail to generalize to test data. In this paper, we propose DCIP to handle Distribution Shifts on Dynamic Graphs via Causal Invariance Principles, which aims to uncover causal patterns that remain stable across environments and thereby addressing distribution shifts. Specifically, we first develop a multi-feature extraction module to explore implicit node interaction patterns via interaction frequency coding. Additionally, we design a frequency-domain causal disentanglement architecture that combines Fourier Transform and Transformer to separate causal patterns from non-causal patterns. Finally, we introduce a virtual intervention regularization strategy that actively perturbs non-causal components to generate a set of intervention distributions, thereby enforcing the stability of the learned causal modes across shifting environments. Extensive experiments on six dynamic graph datasets and four distribution shift datasets demonstrate that DCIP consistently outperforms existing methods in multiple tasks. The code is publicly available at https://github.com/zhabng/DCIP.

2026-07-01·BIORESOURCE TECHNOLOGY

Fresh frass supplementing promoted plastic consumption of superworms (Zophobas morio larvae) correlated with providing γ-aminobutyric acid-producing bacteria

Article

作者: Ding, Bin ; Jia, Yun ; Chen, Xu-Dong ; Liang, Cong

Zophobas morio larvae could degrade plastics, but the degradation efficiency was limit. This study analyzed the plastic consumption ability of larvae, and found that with the intake of plastics, the plastic consumption of larvae decreased and the gut microbiota was disorder. Interestingly, the frass of larvae fed with wheat bran supplemented to plastic-degrading larvae, could significantly increase the plastic consumption ability of the larvae, along with significantly recovered gut microbiota and its metabolite including short chain fatty acids and appetite-promoting neurotransmitters γ-aminobutyric acid. Moreover, the genes of intestinal tissue related to gut homeostasis, cell growth, immune system, and digestive system were also regulated. In vitro studies have shown that fresh frass could provide viable Pediococcus pentosaceus, Lactococcus cremoris, and Ligilactobacillus salivarius, all of which possess the ability to produce γ-aminobutyric acid. This study realizes waste valorization of traditionally reared larvae's frass and synergistic potential of traditional rearing with plastic degradation.

项与山东科技大学相关的新闻（医药）

2026-04-04

·启树说

从“十五五”规划中，探寻高中生生涯规划密码（之35）:别被“AI”晃花眼，深度解读“人工智能+”科学技术

各位高中生、家长朋友们：大家好！作为一名长期从事高考志愿指导的老师，我注意到一个现象：每当国家重大规划发布，一些关键词就会迅速成为社会热点，尤其是像“人工智能”这样充满未来感的词汇。大家既兴奋又焦虑，感觉遍地是机会，却又不知机会具体在哪，自己该如何抓住。近期，“十五五”规划（2026-2030年）中关于“人工智能+”行动方案的讨论备受瞩目。其中，第一个板块就是 “人工智能+科学技术” 。今天，我想以这段不足百字的官方表述为切入点，为大家进行一次深度、务实的解读，并把它和我们的高考志愿、生涯规划紧密联系起来。一、深度解读：这短短一段话，到底说了什么？我们先看原文：加快探索人工智能驱动的新型科研范式和技术研发模式，推进科学大模型研发应用，建设科研智能平台和高质量科学数据集，加强人工智能与量子科技、生命科学、新材料、新能源、6G等领域技术协同创新。这段话信息密度极高，我们可以拆解为三个层次来理解：第一层：核心目标——“范式革命”“加快探索人工智能驱动的新型科研范式和技术研发模式”这句话是总纲，它宣告的是一场 “科研方法的革命” 。传统科研靠“假设-实验-验证”，周期长、成本高。而AI驱动的科研，本质是 “数据驱动发现” 。AI能从海量数据中发现人类难以察觉的模式和规律，自动提出假设、加速模拟实验。这不是让AI辅助科研，而是让AI成为科研的核心引擎。这对未来科研人员的素养提出了全新要求：未来顶尖的科学家，必须首先是“AI驾驭者”。第二层：基础建设——三大支柱“推进科学大模型研发应用，建设科研智能平台和高质量科学数据集”任何AI应用都离不开三大要素：算法（模型）、算力（平台）、数据。科学大模型：区别于通用大模型（如ChatGPT），它是专攻物理、化学、生物等领域的“专家模型”，能深刻理解分子结构、蛋白质折叠、材料特性等科学语言。科研智能平台：可以理解为“云端智能实验室”，科研人员在线调用算力、模型、工具，甚至远程操控自动化设备进行实验。高质量科学数据集：这是国家的“战略矿产”。没有高质量、标准化、大规模的科研数据，大模型就是“无米之炊”。这意味着，未来国家会投入巨资建设这些基础设施，相应会产生大量数据工程师、平台架构师、模型训练师等岗位需求。第三层：应用方向——五大“协同创新”“加强人工智能与量子科技、生命科学、新材料、新能源、6G等领域技术协同创新。”这是国家划定的 “AI+”优先主战场，也是未来十年最具爆发力的交叉领域。AI+量子科技：AI加速量子计算硬件研发，量子计算反过来提升AI算力，形成正向循环。AI+生命科学：最典型的例子是AlphaFold预测蛋白质结构，未来AI将深度参与新药研发、基因治疗、合成生物学。AI+新材料：传统“炒菜式”试错被终结，AI根据需求直接“设计”出特定性能的材料（如超导体、电池材料），研发周期从数十年缩短到数月。AI+新能源：优化核聚变反应堆控制、智能电网调度、发现新型光伏/储能材料。AI+6G：6G网络本身就是“空天地海一体化”的智能体，AI将主导网络资源调度、信号处理和场景感知。这五大领域不是选择题，而是必答题。国家意志明确，资本和人才会加速涌入。二、产业布局与应用场景：机会在哪里？基于上述解读，我们可以清晰地看到“AI+科学技术”的产业布局蓝图：上游（基础设施层）：建设智算中心、科研超算平台、科学数据库公司、AI芯片设计（尤其是针对科学计算的芯片）。中游（模型与平台层）：开发垂直领域的科学大模型（如材料大模型、生物大模型）、提供“模型即服务”的科研云平台。下游（应用场景层）：药物研发：AI筛选靶点、设计药物分子、预测临床试验效果。精准医疗：AI分析基因组、影像、病历，制定个性化治疗方案。绿色能源：AI发现高效催化剂、优化风力发电机组设计、预测光伏出力。先进制造：AI设计新型合金、复合材料，模拟工艺过程。通信技术：AI设计6G天线结构、优化信道编码。人才需求趋势：“π型”人才最受欢迎：既懂AI算法，又深谙某一科学领域（如物理、化学、生物）。高端复合型人才紧缺：能领导跨学科团队的“架构师”型人才，薪资待遇极高。基础支撑型人才需求旺盛：数据标注（尤其是科学数据）、模型测试、平台运维等岗位大量需要。就业去向：国家实验室、顶尖高校科研院所、高科技公司（华为、腾讯、阿里、字节等）的AI实验室、大型药企/材料企业的研发中心、创业公司（尤其在生物科技、新材料领域）。就业前景：这个板块属于典型的 “高门槛、高回报、长周期” 赛道。硕士是起步门槛，博士是主流。一旦进入，职业天花板极高，越老越吃香。三、高校对接学科/专业及院校推荐对接的学科和专业：核心专业：人工智能：最直接对口，但需选择有“科学AI”方向的院校。计算机科学与技术：打好算法、编程、系统基础，再辅修科学课程。数据科学与大数据技术：侧重科学数据处理与分析。强关联专业：应用数学/信息与计算科学：AI算法的数学根基，非常适合做算法研究。自动化：控制论与AI结合，在机器人、智能实验平台方面有优势。交叉学科专业（极具潜力）：生物信息学：AI+生命科学的经典专业。智能科学与技术：偏重智能系统设计。材料科学与工程（计算材料方向）：学习用AI设计材料。量子信息科学：对接AI+量子。电子信息工程（AI方向）：对接AI+6G。选科建议（新高考）：物理+化学是必选项，最好再加上生物或地理，以保持最大限度的专业选择面。院校推荐（各10所，侧重科研与交叉实力）：一、“双一流”高校（10所）清华大学在计算机、人工智能、生命科学和材料领域均处于国内顶尖水平，拥有智能产业研究院，交叉融合项目丰富，是AI+科学方向的领军者。北京大学则以数学和基础学科的无敌实力著称，其前沿交叉学科研究院是国内交叉人才培养的标杆。浙江大学在计算机图形学、CAD实验室方面实力雄厚，在AI+材料、AI+生物领域成果突出。上海交通大学的人工智能研究院与医疗、船舶、材料等行业深度结合，工程转化能力极强。中国科学技术大学理科底蕴深厚，在量子计算、AI+物理化学方向具有天然优势。南京大学的计算机软件新技术国家重点实验室聚焦AI理论与数学的紧密结合，学术积淀深厚。哈尔滨工业大学在AI+航天、AI+智能制造和机器人方向实力超群，工科应用特色鲜明。西安电子科技大学作为电子信息领域的强校，在AI+通信、AI+雷达感知方面独树一帜。华中科技大学的机械、光电、生物医学工程实力强大，为AI提供了绝佳的应用场景。北京航空航天大学的计算机学院实力雄厚，在AI+复杂系统、AI+虚拟现实方面特色突出。二、“双非”实力强校（10所）南方科技大学以“新工科”著称，教授多具有海外顶尖高校背景，AI与材料、生物等交叉学科研究活跃，科研产出效率高。上海科技大学由中科院与上海市共建，在生命科学、物质科学领域拥有顶尖实验设施，学科设置高度交叉，非常契合AI+科学的方向。深圳大学计算机学科发展迅猛，拥有大数据系统计算技术国家工程实验室，且地处大湾区，地理位置优势明显。杭州电子科技大学IT特色鲜明，在AI算法、嵌入式系统、智慧医疗方面有扎实积累，应用型人才培养质量高。重庆邮电大学的通信与计算机学科实力不俗，在工业物联网、AI+智能网联汽车方面特色突出。浙江工业大学的计算机与自动化实力强劲，尤其在AI+智能装备、化工过程优化方面有丰富的应用积累。南京信息工程大学的大气科学全国顶尖，其“AI+气象”方向独树一帜，是精准气象预报的国家队。山东科技大学在矿业安全、测绘科学领域，AI应用成果显著，特色鲜明。广东工业大学地处大湾区，智能制造强势，与华为等企业合作密切，AI应用型人才培养体系扎实。天津科技大学在轻工技术与工程（食品、发酵）领域，正大力引入AI进行智能优化，为学生提供了有特色的交叉学科机会。四、给高中生和家长的前瞻性理性建议适合走这条路的学生画像：数学物理基础扎实：这是AI算法的地基，不一定是竞赛生，但课本知识要轻松驾驭。逻辑思维和抽象思维能力强：能理解复杂系统、抽象概念和算法逻辑。具备强烈的好奇心和钻研精神：愿意为一个问题“死磕”，不满足于表面答案。有学科交叉的兴趣：既喜欢编程，也好奇细胞如何分裂、材料如何导电。有较强的自学能力和抗挫折能力：AI领域知识迭代快，需要不断学习新东西，调试代码、分析数据的过程常有挫折。按成绩段的具体路径建议：顶尖段（可冲清北华五）：首选基础学科+AI双学位。例如“数学+计算机”、“物理+AI”，或直接选择“交叉学科实验班”。目标是成为未来的科研领军人才，做好本硕博连读的准备。优秀段（985/211）：主攻计算机或AI专业，辅修一个科学领域（如生物、材料）。或者反过来，主攻基础科学，辅修计算机。目标是成为复合型技术骨干，进入大厂AI Lab或科研机构。中坚段（一本/二本）：不必硬磕AI算法，做“AI赋能者”。可以选择“数据科学”、“智能科学与技术”等更侧重应用的专业，或者在“自动化”、“电子信息”等专业中，主动选修AI课程。目标是成为AI应用工程师，在工业、农业、医疗等领域，利用成熟的AI工具解决实际问题。潜力段（专科/高职）：不做“造车人”，做“开车人”和“修路人”。可以选择“人工智能技术应用”、“大数据技术”、“工业机器人技术”等专业，重点学习AI工具的使用、部署、维护和数据标注。目标是成为AI应用与运维专家，市场需求极其旺盛。需要警惕的误区：盲目跟风：如果孩子数学、物理学习中就感到吃力痛苦，或者完全不喜欢编程逻辑，这条路会很艰难。轻视基础学科：急功近利只学“热门”应用，忽视数学、物理，会很快遇到发展瓶颈。只看校名，不看院系：要深入研究目标学校这个专业的具体研究方向、师资力量和合作企业。最后，我想对各位家长说：“十五五”规划描绘的“人工智能+科学技术”蓝图，是一条通往未来的黄金赛道，但它绝不是一条轻松的捷径。它需要孩子具备坚实的数理基础、强大的学习能力和对探索未知的真挚热爱。作为老师，我的建议是：既要仰望星空，紧跟国家战略方向；也要脚踏实地，基于孩子的兴趣和特长做出选择。最好的志愿，不是最热门的，而是最匹配的。希望这篇解读，能帮助你和孩子在纷繁的信息中，找到那条真正属于自己的、通往未来的道路。

2026-03-11

·今日头条

6大新兴产业，哪些学校分数不高但就业好？

上篇文章不小心爆了，在《今年两会释放的信号：2026高考生，这些专业要吃香了》文章发表后，有不少家长私信我“分数不高怎么办”。我是没能力给予很好的回答，只有转身求助剑桥的儿子：“帮妈找找，新兴产业里哪些学校‘性价比’高。” 今天儿子发来一份清单。他说：“妈，这些是我按这几个标准筛的：专业有特色、产业有需求、分数不太卷。” 新能源材料：常州大学、南通大学今年两会把“双碳”目标又提了一遍，新能源产业持续火爆。但儿子说：“大家没必要只盯着清华北大。你看常州大学，背靠长三角新能源产业链，和天合光能、中创新航这些企业有深度合作。学生大三就去企业实习，毕业直接上岗。” 南通大学也不差，主攻氢燃料电池材料，和盐城、南通的零碳园区紧密联动。应届生起薪8K-10K。有时候，学校旁边的工厂，比学校的名气更管用。生物制药：中国药科大学（高职阶段）、南京医科大学康达学院生物医药是江苏省的产业升级重点，尤其是细胞治疗、基因编辑这些前沿方向。儿子说：“中国药科大学的专科批次，分数不高，但和药企合作极深。学生大二就能进实验室，毕业时手里有项目经验，比普通本科的理论派吃香。” 南京医科大学康达学院也是类似路子，聚焦抗体药物、CAR-T细胞疗法，毕业生直接输送连云港的医药产业园。读大学不是读名气，是读“毕业时手里有什么”。低空技术与工程：北华航天工业学院、中国民航大学今年两会，“低空经济”首次写入政府工作报告，飞行汽车、无人机配送成为新风口。儿子说：“北华航天工业学院，名字听着像二本，但人家是航天系统的亲儿子。毕业生进航天院所的比例，比很多211都高。” 中国民航大学更不用说了，民航局直属，学无人机应用技术，毕业直接去大疆、顺丰这类企业。录取分数在一本线上下，性价比极高。当风口来的时候，站在离风口最近的学校，比站在名校远一点更重要。智能网联汽车：广西科技大学、合肥大学雷军今年两会建议设立“智能电动车辆”一级交叉学科，智能网联汽车的人才缺口肉眼可见。儿子查了一圈发现：“广西科技大学就在柳州，出门就是五菱生产线。学生大三就能参与五菱的前沿技术攻关，毕业时简历上写的不是‘学过什么’，而是‘做过什么’。” 合肥大学也不差，背靠蔚来、江淮，智能网联方向的学生还没毕业就被预订了。选对地方，比选对学校更划算。遥感科学与技术：山东科技大学、西安科技大学遥感专业，听着高大上，其实很多二本院校都在开。儿子说：“但这个专业特别看‘行业认可度’。山东科技大学的测绘学科全国有名，虽然不是985，但业内认。毕业生进国家测绘地理信息局、中科院院所的比例不低。” 西安科技大学也类似，煤矿系统出身，现在转型做遥感监测，就业对口率极高。有些学校，在某个圈子里就是“985”。电子信息材料：桂林电子科技大学、杭州电子科技大学工信部数据：2025年我国电子信息材料专业人才需求50万，当前年毕业生不足3万。儿子说：“桂电和杭电，虽然不是211，但在电子圈子里名声很响。华为、中兴每年定点去这两所学校招人，因为学生动手能力强，来了就能干活。” 录取分数呢？一本线左右，比很多综合性大学的电子类专业友好多了。有时候，二本的实操能力，比一本的理论知识更值钱。分数不高，怎么选？儿子在清单最后写了一段话，我原封不动抄下来：分数不高，不代表出路窄。你要做三件事：选对赛道——新兴产业，国家在投钱，企业在抢人选对地方——学校旁边有什么产业，决定你毕业时有什么机会选对姿态——别想着靠学校名气压人，要靠‘我做过什么’说话【写在后面】我把这份清单发出来，是想告诉那些分数尴尬的孩子和父母：名校的光环，只能罩你四年。但产业的风口，能送你十年。但这也只是我们个人的见解，只是希望给分数不太理想父母的一个参考。你们还知道哪些“低分高就业”的好学校？来评论区分享。 [心]我是鸿妈，52岁，一个剑桥博士的妈妈，一个81岁妈妈的女儿。在这里记录三代人的生活。如果你也关心父母、牵挂孩子、思考自己的人生，点个关注，我们一起走。

2026-02-26

·新浪看点

这次合作预计会对罗欣药业的研发和生产效率带来多大提升？

汉得信息与罗欣药业的深度合作，标志着传统制药企业正通过数字化工具加速转型，这一融合预计将显著优化研发流程与生产体系，但其实际效能需建立在理性认知AI技术边界的基础上。一、合作背景：智能化浪潮下的医药产业升级罗欣药业作为国内创新药研发标杆，其自主研发的I类新药替戈拉生片填补了山东省化学创新药空白，印证了其研发实力。面对全球制药行业智能化趋势，2026年2月与汉得信息达成深度合作，旨在借助工业互联网平台与数据技术，突破传统药物研发和生产模式的效率瓶颈。二、研发效率的突破方向AI辅助靶点筛选与分子设计通过汉得信息的算法模型，罗欣可加速化合物初筛进程。AI能在海量分子库中快速锁定潜在有效结构，并预测毒性、溶解性等参数，减少实验室试错成本。参考行业实践，此类技术有望缩短早期研发周期30%-50%，但需警惕其对复杂生物学机制理解的局限性——如礼来CEO指出，人类对生物学的认知不足15%时，AI的预测可靠性仍受限。数据驱动的研发决策优化合作将整合罗欣现有研发平台（15个科技创新平台及国家重大专项积累的数据），构建统一知识图谱。此举能帮助科研人员快速排除无效路径，避免重复研究。例如，通过分析历史失败案例的共性特征，可提前规避临床阶段风险，但需确保数据质量与规模——明星AI药企Verge Genomics因临床异质性导致ALS药物失败，揭示了千级样本量仍不足支撑复杂疾病预测。跨领域协作效率提升“揭榜挂帅”模式在山东科技服务中的成功应用，为罗欣提供了合作范式。数字化平台可高效匹配外部技术团队，解决特定技术难题（如制剂工艺优化），缩短产学研转化周期。三、生产效率的跃升路径智能制造体系的构建借鉴济钢转型案例——其自动化生产线使行波管成品率从30%提升至80%，罗欣有望在原料合成、制剂生产等环节引入实时监控与自适应调控系统，减少人工误差，提升批次稳定性。汉得的工业互联网经验可加速实现生产全流程数字化，推动质量控制从“事后抽检”转向“过程干预”。柔性生产与供应链协同合作或推动罗欣搭建智能排产模型，动态响应市场需求。例如，针对替戈拉生片三大适应症纳入医保后的需求增长，系统可自动调整产能分配，降低库存成本。同时，打通上下游数据链（如原料供应商、物流商），增强供应链抗风险能力。四、预期成效与挑战短期可见收益：研发端：降低临床前研究成本20%-40%，缩短候选药物进入IND阶段时间；生产端：良率提升10%-15%，设备综合效率（OEE）优化15%以上。长期发展瓶颈：数据基础：需持续生成高质量临床与真实世界数据训练模型，周期长达十年；技术适配性：AI在复杂疾病（如肿瘤、神经系统）的预测瓶颈短期内难以突破，需避免对“颠覆式创新”的过度期待；人才结构：跨学科团队（药学+数据科学）的整合能力决定工具落地深度。五、结论：工具理性重塑产业逻辑汉得与罗欣的合作，本质是将AI定位为“效率增强器”而非“颠覆者”。参考礼来、诺华等巨头的实践，成功的智能化转型需坚守三个原则：1. 场景精准化：优先应用于结构优化、生产控制等可量化环节；2. 能力互补性：AI辅助人类决策，而非替代生物学经验；3. 持续迭代机制：建立“临床反馈-模型优化”闭环，如济钢借产学研合作升级技术路线。这场转型不会立竿见影地催生“AI造药奇迹”，却可能在未来5-10年内，使罗欣的研发失败率稳步降低、生产成本结构更具竞争力——最终推动更多像替戈拉生片的本土创新药走向患者。内容由AI生成

100 项与山东科技大学相关的药物交易

登录后查看更多信息

100 项与山东科技大学相关的转化医学

登录后查看更多信息