突发公共卫生事件中科技的支撑作用和价值导向

 新型冠状病毒肺炎疫情是近年传播速度最快、感染范围最广、防控难度最大的重大突发公共卫生事件。总结此次公共卫生事件可以发现，科技在多个领域、多个方面起到了支撑作用，但也暴露出弱项和短板。“十四五”时期，创新驱动的国家战略和国家公共卫生体系建设将为中国科技事业发展提供更大的机遇和新的更高要求，如何进一步发挥科技在重大突发公共卫生事件中的支撑作用，发扬科学精神具有重要意义。具体而言，是在价值导向上坚持“以人民为中心”，在科学普及上提升全民科学素养，在科技体制机制上加大改革创新。     

2021年经济景气形势监测、分析和预测

我国经济增长在遭遇前所未有的疫情冲击后进入为期一年的超常快速扩张期，并于2021年2月形成扩张高峰，此后转入经济周期收缩阶段。2020年11月至2021年7月经济运行已恢复至“正常”景气区间，但需求端的恢复弱于供给端。2021年3季度的综合警情指数明显下滑，发出“偏冷”预警信号，且4季度可能继续下行,但物价总体保持稳定。预计全年GDP增长8.1%左右（两年平均增长5.2%左右），全年CPI上涨0.9%左右。建议宏观调控应做好跨周期设计，注意处理好稳增长、防风险和节能环保的关系，提高疫情应对的精准性，适度加大稳增长力度，努力保持经济在合理区间的平稳运行。     

一维离散平均曲率方程Neumann问题解的存在性

用紧向量场方程的解集连通理论给出一维离散平均曲率方程Neumann问题的上下解方法, 并给出其解的存在性结果.     

MADDPG算法并行优先经验回放机制

多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient, MADDPG)算法是深度强化学习方法在多智能体系统(multi-agent system, MAS)领域的重要运用,为提升算法性能,提出基于并行优先经验回放机制的MADDPG算法。分析算法框架及训练方法,针对算法集中式训练、分布式执行的特点,采用并行方法完成经验回放池数据采样,并在采样过程中引入优先回放机制,实现经验数据并行流动、数据处理模型并行工作、经验数据优先回放。分别在OpenAI多智能体对抗、合作两类典型环境中,从训练轮数、训练时间两个维度对改进算法进行了对比验证,结果表明,并行优先经验回放机制的引入使得算法性能提升明显。     

2020年细胞力学热点回眸

 概述了2020年细胞力学研究的热点和进展，探讨了细胞膜表面张力、细胞粘附力、细胞弹性模量、细胞与纳米颗粒相对刚度等对细胞生物学行为的影响及其在疾病诊疗中的应用。     

基于极化单脉冲雷达扩展目标角度估计方法

当单脉冲雷达受到箔条质心干扰时, 将视为波束内存在两个不可分辨的目标, 由于目标和箔条干扰回波混叠耦合, 导致单脉冲测角偏差, 最终致使目标跟踪丢失。对此, 利用宽带单脉冲雷达测角精度高的优点和极化信息, 提出一种基于极化单脉冲雷达的扩展目标角度估计方法。首先，分析宽带单脉冲雷达体制下箔条质心干扰的特点, 给出扩展目标双极化和差信号模型。然后, 根据和、差通道极化回波信号, 通过联立方程组, 估计出目标和箔条干扰的到达角(angle of arrival, AOA), 为后续利用目标角度信息跟踪目标提供条件。最后，通过蒙特卡罗仿真实验分析关键参数对目标角度估计性能的影响, 并与传统单脉冲雷达体制的测角方法进行比较。理论分析和仿真实验表明, 在质心干扰条件下, 宽带单脉冲雷达估计目标AOA的性能要优于传统单脉冲雷达。     

基于共价有机框架的仿生光动力学治疗试剂的构建

共价有机框架（COF）是一类新兴的多孔有机聚合物，因其具有较大的比表面积、有序的孔道结构以及良好的生物相容性，已成为具有潜力的纳米药物载体.制备了基于COF纳米颗粒的仿生纳米复合物，负载光敏剂孟加拉玫瑰红（RB），并包裹癌细胞膜（CMV）对该复合物进行仿生修饰.结果表明：制备的COF/RB@CMV纳米复合物具有良好的生物兼容性，能够被肿瘤细胞有效摄取，并在光照激活条件下产生对细胞具有高毒性的活性氧化物（ROS），进而起到了杀伤肿瘤细胞的作用.提出了一种新的基于COF的仿生纳米平台用作光动力学治疗（PDT）试剂.     

基于铜金复合纳米材料的半胱氨酸检测

铜金复合纳米材料作为一种新型探针，可灵敏地选择性检测半胱氨酸。在碘离子存在的情况下，半胱氨酸能够使铜金复合纳米材料的吸收峰信号增强，从而实现半胱氨酸的定量检测，检测限为0.06 mmol/L，线性范围为0～1 mmol/L。与其他氨基酸相比，铜金复合纳米材料传感器对半胱氨酸显示出良好的选择性，所制备的铜金复合纳米材料无需任何处理即可直接用于检测体系，大大简化了检测流程，具有简单、快捷和选择性高等优点，可作为半胱氨酸检测的有力工具。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

追踪物理学中的跨领域模因

以美国物理学会旗下期刊2000—2019年发表的论文和Web of Science论文摘要为基础，用模因短语刻画知识，构建模因关系网络并引入跨学科测度Rao-Stirling指数以计算模因的跨领域分数，从而追踪物理学中的跨领域模因。分别从网络拓扑结构指标、跨领域测度指标和专业术语对比3个方面进行验证，证明了所提的模因关系网络和模因的跨领域分数可以有效反映知识在不同领域间的扩散现象。