极紫外光刻技术是支撑最先端半导体芯片制造工艺的关键核心技术，有力推动了3 nm工艺节点的量产以及2 nm工艺节点的研发进程。极紫外光刻中的随机缺陷是限制其良率提升的关键难题。一方面，急剧减小的光刻图形特征尺寸对光刻胶各组分化学结构的规整性要求越来越高，而光刻胶中存在的组分不均一、后烘过程中光酸迁移距离以及位置的不确定性等因素都会导致缺陷，这些统称为化学随机性问题。另一方面，极紫外光源的波长（13.5 nm）较短，致使其光子密度很低，仅为上一代ArF光刻工艺中所使用光源（193 nm）的1/14，因此光子的散粒噪声大幅增加，导致了不可避免的光子随机性问题。这些问题的存在，使得EUV光刻胶中的材料体系在分子尺寸、分布均一性等方面较上一代光刻材料有着更严格的要求。本文系统性综述了近年来针对极紫外光刻胶中上述随机性问题的研究，并从化学随机性、光子随机性以及计算模拟三个方向对研究现状进行了追踪。

针对室内可见光定位接收信号强度易出现波动从而产生较大定位误差，以及从一个定位单元迁移到其他定位单元可能会降低定位精度的问题，笔者提出了一种基于注意力机制的卷积神经网络的室内三维定位方法，以减小接收信号波动产生的影响，并采用迁移学习将在第一个定位单元中训练的网络迁移到其他定位单元中，在保证定位精度不变的前提下减少了训练网络的成本。仿真结果表明：所提算法在5 m×5 m×3 m的定位单元内可以实现平均误差为3.54 cm的三维定位；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.67 cm的定位。实验结果表明：在1.2 m×0.75 m×1.2 m的定位单元实验中，所提算法可以实现平均误差为3.32 cm的三维定位，90%的误差分布在4.12 cm内；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.35 cm的定位。与现有算法相比，所提算法迁移前后的定位精度均有所改善。

近年来，深度学习技术广泛应用于计算光学三维成像的研究中。在条纹投影轮廓术中，通过训练深度学习网络，可从单幅条纹图像中恢复高精度的相位信息。然而，为了训练神经网络模型，通常需要耗费大量的时间成本和人力成本来采集训练数据集。为了解决该问题：首先，建立数字孪生条纹投影系统，并利用域随机化技术对虚拟照明光栅进行增强，使用计算机进行虚拟扫描，生成大量仿真光栅条纹图像；其次，利用仿真光栅图像对U-Net神经网络进行预训练；最后，引入迁移学习，采用少量真实光栅条纹图像对神经网络进行参数微调。由于U-Net的结构特殊性，提出并分析了“从左至右”“从上至下”“全局微调”等3种U-Net神经网络微调策略。实验结果表明，采用“从上至下”策略微调U-Net“瓶颈”网络模块的方法可获得最佳的迁移学习结果，神经网络的相位预测精度可得到显著提升。相比于使用大量真实数据进行训练，所述方法仅利用20%的数据就可训练神经网络获得高精度的相位重建结果。

当地下水含较高浓度的碳酸和氯离子时，碳酸水溶液对地下混凝土结构的腐蚀会导致氯离子在混凝土中的迁移更快。本工作研究了碳酸水溶液环境里氯离子在砂浆中的迁移特性，用X射线衍射分析(XRD)、热重分析(TG-DTG)和扫描电子显微镜(SEM-EDS)分析了碳酸水溶液-氯离子侵蚀下净浆侵蚀产物以及微观形貌的变化。结果表明：碳酸水溶液侵蚀前期，氢氧化钙和水化硅酸钙(C-S-H)凝胶脱钙碳化生成碳酸钙填充了砂浆的孔隙结构，抑制了氯离子在砂浆中的迁移；侵蚀后期，由于碳酸钙的溶解以及低钙硅比的C-S-H凝胶转变为无定型硅胶共同导致了砂浆孔隙率增大，氯离子在砂浆中的迁移加快；碳酸水溶液侵蚀导致了水泥基材料中Friedel’s盐的分解以及C-S-H凝胶吸附氯离子能力的下降；降低水灰比能增加砂浆抗碳酸水溶液侵蚀能力及降低氯离子的迁移速度。

为探究槲皮素对人软骨肉瘤细胞迁移、侵袭和上皮间质转化( EMT)的影响及对 Janus激酶 2/信号转导和转录启动因子 3(JAK2/STAT3)信号通路的调控作用, 体外培养人软骨肉瘤 SW-1353细胞, 用不同浓度槲皮素干预 SW-1353细胞 24 h, 细胞计数试剂盒( CCK-8)法筛选出最适浓度( 50.0 μmol/L)槲皮素进行后续试验。将细胞分为对照组(不做干预)、槲皮素组( 50.0 μmol/L槲皮素)、阳性药物组( 6.0 μmol/L阿霉素)、抑制剂组( 50.0 μmol/L槲皮素＋ 50.0 μmol/L JAK2/STAT3通路抑制剂 AG490)和激活剂组( 50.0 μmol/L槲皮素＋ 0.5 μmol/L JAK2/STAT3通路激活剂 colivelin), 干预 24 h后, 用倒置显微镜、 Transwell小室及 Western blot法对细胞形态、迁移、侵袭及 JAK2/STAT3通路和 EMT相关蛋白的表达水平进行分析。试验结果显示: CCK-8法确定槲皮素最适作用浓度为 50.0 μmol/L；与对照组比较, 槲皮素组和阳性药物组细胞生长受到抑制, 细胞迁移数、侵袭数、 N-钙黏蛋白( N-cadherin)、波形蛋白( Vimentin)、纤连蛋白( FN)、p-JAK2和 p-STAT3表达水平降低( P<0.05), E-钙黏蛋白( E-cadherin)表达水平升高( P<0.05)；与槲皮素组相比, 抑制剂组上述指标变化趋势更为显著( P<0.05), 激活剂组则扭转了这些指标的变化( P<0.05)。槲皮素可抑制人软骨肉瘤 SW-1353细胞的生长、迁移、侵袭和 EMT进程, 其作用机制可能与阻滞 JAK2/STAT3信号通路相关。

为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

中药材重金属超标问题日趋严重, 将阻碍中药产业的未来高质量发展, 因此研究高效、 准确、 便捷的超标鉴定方法对于了解中药的安全性具有重要意义。 X射线荧光(XRF)光谱分析具有无损检测、 快速准确、 样品制备方便等优势, 在元素分析领域获得广泛应用。 由于中药材重金属超标阈值低(如中国药典2020年版规定铅超标为5 mg·kg-1), 中药的种类繁多, 基体复杂, 国家标准样本匮乏, 常规的分类算法难以准确鉴定超标问题。 将迁移学习与多分类支持向量机(TrAdaBoost-SVM)方法结合, 以金银花为例, 采用与金银花相似的国家土壤标准样品的光谱特征信息用于数据增强, 将土壤标准样品和少量中药样本混合建立迁移学习和支持向量机分类模型。 通过实验验证, 迁移学习和TrAdaBoost-SVM结合的分类优化方法, 与传统SVM、 AdaBoost分类算法相比, 鉴定重金属元素铅(Pb)的超标准确率有显著提高。 通过测试数据集的预测验证, TrAdaBoost-SVM模型的预测准确率为96.7%, 高于传统SVM及AdaBoost分类模型的准确率。 所提出的迁移学习与TrAdaBoost-SVM结合的方法, 可在小样本条件下建立分类模型, 并对中药的重金属超标准确预测, 具有一定的理论意义和应用价值。