智能计算研究所

1.边缘智能：边缘计算技术作为一种新兴的计算范式，将计算部署在靠近数据源的网络边缘，以降低响应时延，减轻云端负载，提高计算效率；而人工智能技术基于数据，对知识进行表示、构建和使用，已在多个应用领域取得巨大的成功。边缘计算与人工智能的融合，是解决人工智能落地“最后一公里”问题的重要途径。团队围绕“构建分布式智慧边缘计算基础理论与关键技术体系”这一目标，一方面研究了面向复杂边缘环境的分布式机器学习基础理论、容错机制、隐私保护机制等，提出了一系列适应复杂网络条件约束的分布式协作学习算法，解释了分布式机器学习在不同网络条件下的演化过程，揭示了通信复杂性、隐私保护性、可容错性与学习效用之间的相互作用关系；另一方面研究了基于机器学习的智能网络通信协议、自进化的资源调度方法以及自适应的云边端融合与协同技术，构建了基于机器学习的网络系统资源调度优化技术体系，提升了传感网、物联网、边缘网络、车联网等新一代网络系统在复杂多变环境中的自进化自趋优能力。项目组利用分布式机器学习与边缘计算的有机融合，支撑了边缘计算系统在智慧城市、智慧能源、智慧交通、智能制造等领域的典型示范应用。近年来，团队承担了国家重点研发计划项目、国家自然科学基金项目、山东省自然科学基金项目等多个国家级省部级科研项目，在IEEE/ACM TON、IEEE TMC、IEEE TWC、IEEE TVT、IEEE INFOCOM、IEEE ICDCS等多个高水平国际期刊和会议发表100+学术论文，获得山东省自然科学奖二等奖1项、山东省科技进步奖二等奖1项以及IEEE IPCCC 2020、WASA 2020、CSoNet 2019等多个国际会议最佳论文奖和最佳论文提名，在智慧城市、智慧能源、智慧交通、智能制造等领域的进行了多个关键技术的示范应用，取得了良好的经济效益与社会效益。

2.区块链：区块链技术利用不可篡改的账本结构为数据创造了可信计算环境，是未来数字基础设施的核心组成。学科组在区块链底层核心技术、区块链与物联网融合等领域取得多项亮点成果，发表于IEEE INFOCOM、ICDCS、TMC、TC、JSAC、TPDS、TWC等国际顶级会议期刊；开发了SandyChain工业级区块链平台，在智慧社区、融资租赁、供应链场景实现应用落地。学科组积极参与区块链学术社区，与柏林工业大学、苏黎世联邦理工大学、乔治华盛顿大学、普渡大学、香港理工大学、清华大学等多所国内外知名院校开展学术合作，牵头创办了Elsevier国际期刊《High Confidence Computing》与IEEE ICMC国际会议。学科组承担国家自然科学基金重点项目“异构多链场景下跨链服务安全关键技术”、国家重点研发计划“高置信城市信-物融合系统关键技术研发与应用”、教育部区块链核心技术战略研究项目“区块链数据安全与隐私保护技术研究”等多项区块链相关国家级重大重点项目。获批数链融合教育部工程研究中心、山东省数链融合技术创新中心、国家区块链创新应用特色领域“区块链+教育”试点、首批区块链微专业。

3.物联网安全：近年来物联网在全球范围内迅猛发展，物联网技术正在快速渗透到工业制造、交通物流、能源电力等各个关键行业和领域。然而，设备跨域交互、运行环境开放复杂的特点带来的多重威胁。聚焦感知威胁可鉴、计算运行可靠、应用数据可控三个科学问题，以感知安全为出发点，提出了多模态感知信号侧信道攻击与防护的新方法;以计算安全为纽带，提出了人机物融合高隐蔽威胁监测的新框架;以应用安全为落脚点，提出了数据流转全生命周期安全防护的新思路，从而逐步建立了面向物联网安全的“威胁可鉴—运行可靠—数据可控”的理论与服务体系，支撑了多个行业的应用场景，为推动我国物联网快速有序健康发展提供了有力技术支撑。研究获得国家重点研发计划（2项）、国家自然科学基金（重点1项，青年4项）、山东省优秀青年科学基金（1项）等多个项目资助。相关研究成果，均发表在IEEE S&P、ACM CCS、NDSS、IEEE INFOCOM、WWW、IEEE TMC、IEEE TC、IEEE TDSC等国际顶级期刊和会议上。

信息检索实验室：

1.自研产学研一体化深度学习开发平台

实验室自主研发了深度学习开发平台，支持PyTorch、TensorFlow等主流深度学习框架，集成多样化的计算资源，实现高度灵活和可扩展的计算环境。其核心在于统一计算框架解释器和统一资源管理器，共同实现高效、可追踪的任务调度和资源分配。平台强调用户友好性，通过统一的可视化编程接口，使得无论是专业的科研人员还是初涉人工智能领域的初学者都能轻松上手。此外，平台还致力于建设完善的智能计算生态圈，形成多场景应用库，实现产、学、研、用的一体化发展。

在应用方面，平台已成功应用于多个环境保护领域，包括三维空气质量模拟分析、水污染溯源大数据分析、网络舆情环境问题识别与风险分析以及自然保护地人类活动监测分析。运用了先进的机器学习和深度学习算法，如交叉网络、TextCNN模型和自注意力生成对抗网络等，实现了对环境问题的快速识别、预测和解决。

为了更精准地满足大模型在多领域的广泛需求，实验室在此基础上进一步推出了基础大模型平台。该平台涵盖了大模型微调、任务流设计和可视化应用等关键环节，并提供一站式的解决方案。值得一提的是，我们的夫子•明察司法大模型就是在这个平台上训练而成的。它不仅降低了大模型应用的技术门槛，也极大地加速了其在各个领域中的实际应用和推广。

2.智能推荐与信息检索

在实验的传统研究方向信息检索领域，实验室积累了大量的研究成果。在SIGIR, WWW, CIKM, KDD, WSDM, ACL等顶级国际会议以及TKDE, TOIS等顶级国际期刊发表论文200余篇，并斩获CIKM2017的最佳论文Runner-up Award，CSRanking信息检索方向位列世界前10。在社会化推荐、跨域推荐、会话式推荐、序列推荐、医疗推荐等方向提出一系列创新性的推荐方法，受到国内外同行的广泛关注与引用。相关成果已经应用于海信聚好看智能电视推荐，微信，腾讯的信息流推荐等。

3.自研领域基础语言模型

实验室基于海量中文无监督司法语料（包括各类判决文书、法律法规等）与有监督司法微调数据（包括法律问答、类案检索）自研开发中文司法大模型。该模型支持法条检索、案例分析、三段论推理判决以及司法对话等特色功能，旨在为用户提供全方位、高精准的法律咨询与解答服务。

交叉研究中心：

1、复杂三维形状的高效生成、分析与制造

大规模个性化定制已成为智能制造未来核心制造模式，三维打印这一先进制造技术为大规模个性化定制提供了可行性，同时也为制造复杂三维形状提供了可能。面向个性化产品定制中对于外观、功能与物理性能的需求，交叉研究中心围绕模型的快速生成和高效制造问题取得了一系列成果：（1）提出群体遗传进化理论驱动的三维复杂形状生成方法，实现了形状自然且功能合理的复杂形状高效生成方法；（2）提出基于几何的三维模型语义理解与分析方法，实现了结构差异大、质量参差不齐模型的智能分析与语义分割；（3）提出微结构几何与物理属性紧耦合的设计与制造方法，解决了微结构几何与物理属性协同可控求解与高效制造问题。相关工作获得了国家“973”计划项目、国家重点研发计划项目、国家自然科学基金委优秀青年基金项目（海外）、国家自然科学基金委重点项目等项目的支持，研究成果发表于ACM TOG、SIGGRAPH/Asia、IEEE TVCG、Additive Manufacturing等国际顶级期刊及会议，获2020年山东省自然科学一等奖，2019年中国计算机学会优秀博士论文奖（太阳成集团tyc7111cc首次）。成果应用于高铁风挡的材料设计选型中，平均缩短产品研发周期5-8倍。

2、增强现实与混合现实关键技术研究

增强与混合现实是智能时代的重要技术，其对于复杂工业场景设计、装配、远程协作等工作效率的提升至关重要，增强/混合现实与CAD工业场景的深度融合是新一代制造业面临的重要问题。围绕这一问题，交叉研究中心在模型轻量化、三维跟踪、虚实融合渲染等方面取得了一系列创新技术突破：（1）提出了CAD和点云模型的轻量化与特征提取方法，保证CAD数据直接转换的精度并保持结构信息；（2）提出高精度强实时三维跟踪技术，构建了双目定位精度亚毫米级标准数据集，实现了世界领先跟踪精度以及工业产品虚循实动；（3）提出高度真实感并行渲染理论与方法，渲染场景规模超过国际主流商用渲染器。相关工作获得了国家重点研发计划项目、国家863计划项目、国家自然科学基金委重点项目的支持，研究成果发表于ACM TOG、SIGGRAPH、CVPR、ICCV等计算机领域国际顶级期刊及会议，获ACM SIGGRAPH 2023大会最佳论文奖（国内首次）、SPM 2020&2023最佳论文奖、Eurographics 2020最佳论文提名等荣誉。成果应用于商汤科技、上海视辰、北京智机的工业产品跟踪与虚巡实动。

3、大数据可视表达与探索分析技术

从海量高维复杂数据中挖掘出隐蔽在背后的规律从而辅助决策是大数据分析领域的一个核心目标，大数据可视表达与探索分析是达到这一目标的关键技术。围绕规模急剧增大的三维仿真数据、维度急剧增高的社交数据、日益复杂的应用环境，交叉研究中心在高效表达和智能探索数据方面开展了一系列成果：（1）提出感知驱动的高维数据可视分析理论与方法，实现了高维数据分析结果的可感知、可交互、可解释；（2）提出任务驱动的自动可视化理论与方法，将数据分析任务融合到大数据探索式分析方案构建中，实现多变量数据可视化的自动设计，为解决可视化技术应用中设计困难和编码困难问题提供了坚实的理论基础；（3）提出人机协同的高效语义交互与数据探索方法，解决了复杂数据分析存在的语义理解困难问题，实现了大规模复杂数据的快速精准分析。相关工作获得了国家重点研发计划课题、国家自然科学基金委重点专项培育项目/国际（地区）合作研究项目/面上项目的支持，研究成果发表于ACM TOG、IEEE TVCG、SIGMOD、SIGGRAPH、SIGCHI、IEEE VIS、NeurlPS等计算机领域国际顶级期刊及会议，获IEEE VIS 2021最佳论文提名奖、ACM SIGCHI 2021最佳论文提名奖等荣誉。成果应用于北京九所、华为、联通、贝壳、苏州舜云等公司相关软件产品中，提高了可视化自动设计效率。

体系结构与嵌入式系统研究中心:

1.“云-端”一体化智能服务平台

当前，利用云计算技术为各行业提供强大的平台支撑，促进传统行业信息资源的“云化”和业务的“服务化”升级是助推互联网、大数据、人工智能和实体经济深度融合的重要手段。系统结构学科组依托国家自然科学基金重点基金项目《海洋有害藻华生态建模分析与区域污染控制》与国家重点研发计划《大电网智能调度与安全预警关键技术研究及应用》，构建了“云-端”一体化的智能服务平台，包括: (1)异构物联网络多协议融合与转换机制: (2)基于软硬件协同设计的数据实时性跨层调度方法与可信性传递机制: (3)边缘智能云网关原型系统设计: (4)融合智能调度、在线学习、数据分析、区块链等技术的“云-端”协同并行服务框架: (5)海量数据并行处理与智能存储技术。近五年在该领域顶级国际会议DAC/DATE/ICCD/LCTES以及顶级期刊TC/TOS/TCAD/TECS上发表高水平论文十余篇.与国内外学术界和工业界建立和保持了良好的合作关系，相关成果获得ACM青岛新星奖，山东电子学会科学技术青年奖等。

2.面向大数据应用的“统一内外存”存储系统

过去30年间，相比CPU有效时钟周期时间10000倍的提升，传统存储器的性能提升极其有限，严重影响了系统的整体性能，“存储墙”问题日益严重。系统结构学科组依托国家863计划《基于新型非易失性存储器的“统一内外存”系统机构及其关键技术》与《面向大数据应用的新型内存计算系统软件及关键技术》，针对新型非易失存储器(NVM)，设计了“统一内外存”的系统架构，有效应对了大数据时代对存储系统的性能和可靠性等方面的需求，包括: (1)“统一内外存”存储架构的设计与原型系统的构建: (2)面向统一内外存架构的新型文件系统与任务调度机制的设计: (3)基于NVM的非易失处理器的研究与设计: (4)基于非易失主存的末级缓存存取策略的优化: (5)基于“裸闪存”的Key-Value缓存系统的优化与实现。以上研究成果发表于FAST/SIGMOD/ICDE/DAC/TCAD/TOS等国际顶级会议和期刊中，申请数十项国际发明专利与软件著作权。此外，学科组自主构建了多套统一内外存原型系统。读写速度达2GB/s:自主设计的非易失处理器原型在第54届Design Automation Conference (DAC’17)组织的Internationa.Hardware Design Contest上获得全球第三名的成绩，相关成果获得ACM SIGAPP新星奖， 华为“火花奖”等。

智能算法与软件实验室

1、智能算法：解决了图灵奖得主R. Karp提出的PQ-树断点距离问题的计算复杂性。证明了重叠图的斯泰纳树这个三十八年公开问题是NP-困难的，对图灵奖得主Johnson1983的猜测给出明确的结论。对字符串公共划分问题和断点图的2-圈分解问题两个理论计算机领域的经典问题给出了计算复杂性的明确分类。近五年在Information and Computation、Algorithmica、JCSS等国际顶级期刊和COCOON、ISAAC等有国际影响力的学术会议上发表论文30余篇，受到国内外同行的广泛关注与引用。研究得到国家自然科学基金的面上项目4项和青年基金2项资助。

2、计算生物学与生物信息学：在基因组重排算法的研究中，针对五种基因组重排模型设计的近似算法，其性能指标目前依然保持世界最好。在蛋白质结构预测中，设计的预测模型，对多个蛋白质的预测结果目前世界最好。近五年来，在Bioinformatics、IEEE/ACM TCBB、BIBM等国际期刊和会议中，发表高水平论文30余篇。若干成果被收录到此方向研究的综述性论文中，受到国内外同行的广泛关注与引用。获山东省自然科学奖一项。研究得到国家自然科学基金的面上项目5项和重点项目1项资助

3、商用车制造企业车联网大数据管理系统与分析技术：作为全球最大的汽车整车制造国，中国商用车制造面临产业格局重塑、同质化竞争加剧、数字化智能化不高等严峻挑战。针对商用车制造企业缺乏有效的车联网大数据管理和分析方法、无法为企业节能降耗和安全生产提供智能化解决方案的关键问题，研究提出了车联网大数据的一体化管理方案，以及机理与数据混合驱动的油耗预测和省油路线推荐、故障检测预警新技术，为企业高质量发展提供新的源动力。

（1）打造了商用车联网大数据管理系统，突破了海量高频大数据实时解析处理关键技术，在有限硬件资源下达到每秒解析40万条记录、日均处理数据210亿条，聚合计算准确率达到100%，研发高效存储查询关键技术，日增压缩归档数据6TB，压缩率70%以上；创新构建了机理与数据混合驱动的模型库。

（2）攻克了在不同场景下机理与数据混合驱动的油耗分析预测和省油路线推荐新技术，解决了在非线性车况健康度和时空动态路况复杂度前提下的行驶油耗难以精准预测的问题，油耗预测精度相比传统方法显著提高，推理时间显著降低，显著节省了商用车燃油。

（3）创新了基于商用车联网大数据的车辆故障检测与预警技术，解决了车联网大数据稀疏故障样本前提下的训练增强与预警准确度问题，大幅度提高预警精度与可解释性，显著缩短了模型收敛时间，提高了故障预警精度。

该项目授权发明专利和软件著作权10余项，发表高水平论文10余篇，制定团体标准1项，获山东电子学会科学技术进步奖一等奖，培养了一大批高水平大数据人才，与多个企业成立了联合研究中心和实验室。

智能媒体研究中心

1.多媒体计算

（1）音频、图像和视频的分析与理解

视频理解旨在通过机器学习的方法对视频中所包含的空间语义信息以及时序动作信息进行分析，并挖掘有用信息以满足不同的实际应用需求。主要的研究方向包括视频表示学习、视频分类、视频描述、基于视频内容的问答等多个方向。在视频内容理解方面，我们研究中心已经有了初步的探索并取得了一系列成果。现已申请国家自然科学基金面上项目一项，与腾讯AI Lab合作横向课题一项，并在国际顶级会议ACM MM，SIGIR上发表多篇相关学术论文。此外，随着金融机构面临着越来越复杂的欺诈风险，传统的风险控制方式已逐渐不能支撑其业务的扩展。利用机器学习对多维度、大体量数据的智能处理，批量标准化的执行流程更能贴合信息发展时代对风控业务的发展需求。我们听音识人团队致力于欺诈语音的识别问题，筛选并提取信访音频中合适的声纹特征对欺诈和清白用户进行区分。我们应用了传统的机器学习方法及新兴的深度学习模型预测用户行为，最终帮助银行降低信贷风险。

（2）服装搭配

服装在人们的日常生活中起着越来越重要的作用。据高盛国际投资公司的调查数据显示：2016年中国在线零售市场在服装、鞋类、配饰等领域的销售总额为1875亿美元。这充分显示了人们对于服装的巨大需求。事实上，除了对服装的一般需求外，越来越多的人们开始注重和追寻穿着的时尚和品味。通常一套服装包括多个物品，如上衣、下衣、鞋子和配饰。因而服装搭配的关键在于各物品之间的兼容匹配程度。然而，并不是每个人都会搭配服装，很多人会为从大量的服装中挑选并搭配出得体的套装而头疼。因此，课题组旨在深入研究有效的服装搭配系统来帮助用户挑选合适的单品来组成套装

（3）基于智能媒体分析技术在电力行业的应用

电力资源是国民经济的基础和命脉，电力系统的安全稳定运行具有重大战略意义。为了实现安全、可靠的供电，电力设备巡检维护自动化和现代化已日益显示出其迫切性。将计算机视觉、深度学习、数字图像处理等前沿智能媒体技术有机结合到电力状态监测应用中，深入研究仪表盘数据的自动识别与获取、配电室内烟火监测、外来生物入侵监测与报警、室外销钉与绝缘子脱落残缺监测以及操作人员异常行为监测等。突破由多源视觉数据智能提取电力设备数字化状态的技术瓶颈，创新电力设备状态监测方案和异常事件检测手段，为电力设备状态监控系统的状态数据获取和生成提供高效可靠的计算理论和方法，实现电力设备故障“看得清”、“看得准”以及“看得全”。从而实现更高层次意义上的无人值守，为新型智能检测安全防护建设提供实用化参考，为电网的安全稳定运行提供保障。

2.智能推荐

推荐系统近年来非常流行，应用于各行各业。推荐系统是一种信息过滤系统，用于预测用户对待推荐对象的“评分”或“偏好”。推荐的目标包括：电影、音乐、新闻、书籍、朋友、餐厅、美食、学术论文、搜索查询、金融服务等各种各样的对象。课题组近5年在国家自然科学基金-面向互联网+智能电视平台的推荐系统研究等项目的资助下，利用深度学习、注意力、存储网络等技术在序列化推荐、上下文敏感的推荐、社会化推荐、视频推荐、服装搭配推荐、兴趣点推荐、多样化推荐、社会化朋友推荐、付费节目推荐、推荐的网络嵌入表示等方面展开大量、深入的研究工作，取得了众多研究成果，在TKDE、TIST、WWW、CIKM、JCST等发表高水平论文30余篇。其中“Neural Attentive Session-based Recommendation”论文获得国际顶级会议CIKM 2017的Best Full Paper Runner-up Award。学科组坚持产学研一体化，理论成果已经在海信智能电视等实际系统中获得应用，取得了巨大的经济效益。

3.数据挖掘

随着Twitter和新浪微博等社交网络的蓬勃发展，人们已经习惯于从这些社交网络中获取信息，并且分享自己的观点，每天有大量的短文本生成。文本聚类是许多文本处理任务的基础步骤，如文档组织、摘要、基于内容的推荐等。因为短文本的稀疏性特点，传统的文本聚类算法难以取得理想的效果。我们尝试研究基于模型的短文本聚类算法，以解决短文本的稀疏性问题，并能够自动发现簇的数目。社交网络中的文本本质上是以流的形式出现的，我们进一步研究基于模型的流文本聚类方法，能够自动发现新的簇，以及删除过期文档，从而应对话题转移问题。在文本聚类方向，我们研究中心已经申请国家自然科学基金一项，并在国际顶级会议ACM SIGKDD，IEEE ICDE上发表多篇相关学术论文。