研究方向

BLCC 实验室主要从事类脑计算、机器学习（如材料数据分析）、云平台等方面的研究

类脑计算

  本类脑实验室正在初步建设阶段，目前已引进如左图的电极帽脑电设备、功能性近红外脑成像系统以及眼镜式眼动仪等设备。

  心智是人类全部精神活动, 包括情感、意志、感觉、知觉、表象、学习、记忆、思维、直觉等, 人类一直在对自身进行探究，尤其是搞清楚大脑的工作机理，探索出大脑的秘密，这一直是人类的梦想。

  • 使用脑电设备探索大脑对外界环境的感官感知，即探究人类对外界环境的感知，如人的注意力、学习、记忆以及决策制定等；
  • 同时将脑电设备和眼镜式眼动仪设备结合起来实验，多方向探索人的生理性反应，如人的疲劳检测等；
  • 使用近红外设备探索脑复杂认知活动的功能成像研究。

平台建设

对象存储（DS3）：基于 Minio 和 S3 协议构建的对象存储服务，是 BLCC 实验室为平台提供的一种能够存储海量数据的可靠存储服务，用户可以将数据存储在其中，并在平台提供的任一服务中进行调用，具有极强的平台适用性、高扩展性、低成本等特点。

云虚拟机（DC2）：基于 KVM 和 Cloud-init 构建的虚拟化方案，是 BLCC 实验室为平台提供的一种安全可靠的弹性计算服务，只需几秒钟，用户就可以拥有几台虚拟机，方便实验室内部学生学习、开发使用，极大地降低了软硬件采购成本。

私有云盘（DNC）：基于 Nextcloud 搭建的内部云盘服务，适用于团队内部资料文件存储、共享，可以在线查看、编辑、协作等操作。

GPU计算（DGC）：基于 Docker 和 GPU 应用的计算服务，是 BLCC 实验室为平台提供的具有实时高速的并行计算和浮点计算能力的计算服务，适应用于深度学习、科学计算等应用场景，有效解放团队内部的计算压力，提升科学研究过程中的计算处理效率与竞争力。

代码托管（DGit）：基于 Gitlab 搭建的代码托管平台，是 BLCC 实验室为开发者提供基于 Git 的在线代码托管工具，包含代码提交/存储/下载/复刻/分支/历史/比对/合并等功能。可一站式完成对代码及代码质量管理，项目及项目人员管理，大大提升研发效率。

在线编程（DC9）：基于 Cloud9 搭建的在线编程平台，是 BLCC 实验室提供的专业集成在线编程环境，与 DGit 结合可用于团队在线协作编程，可作为测试环境直接运行，也可一键部署到云虚拟机中运行。

机器学习

  固溶度，材料科学中描述合金成分的关键概念，其值可由实验直接测定，但测试过程复杂而又繁琐，理论上固溶度的大小依赖于合金组元的基本物理属性，但常规的回归方法拟合效果不佳且缺乏可解释性，因此提出使用符号回归的方法来解决该问题。符号回归，旨在用公式拟合出目标值与给定属性间的关系，该方法基于遗传算法的随机搜索，并且使用蒙特卡洛搜索树对算法进行优化，在解空间中搜索可能存在的解，该工作正在进行中。

  模糊模型是由多个线性系统对同一个非线性系统进行拟合，利用模糊算法进行输入变量的解构，通过模糊演算推理再去模糊化，生成数条代表每组输入与输出关系的方程。是由一组If-then模糊规则来描述的非线性系统，每条规则代表一个子系统，其原始形式模糊蕴含条件句形如“If x is M , then y=f(x)”，其中f(x)是x的线性函数。在模糊模型中，关键是产生合适的模糊规则，其可以通过数据也可以通过专家知识产生，在固溶度的应用中，主要是结合Hume-Rothery产生合理的模糊准则，对固溶度进行预测。

  面向高温超导体材料，利用其结构参数和电子参数进行性能预测，并构建基于机器学习方法的高温超导体转变温度预测模型。在这项研究中，建立了温超导体转变温度预测模型PCA-PSO-SVR，这个模型利用主成分分析法（PCA）进行特征降维，从而降低高温超导体数据间的相互依赖性。同时使用粒子群优化算法（PSO）去优化支持向量回归（SVR）算法，从而提高模型的预测准确度。最后使用额外的高温超导体数据去验证模型的有效性。

  面向ABX3钙钛矿材料数据，结合特征工程中的特征选择和机器学习方法，构建ABX3钙钛矿能带间隙的预测模型。在这项研究中，我们从不同的角度出发，将数据集分为四类不一样的子数据集；然后对每个子数据集进行特征选择，并选择皮尔逊相关系数值前五的特征作为特征选择的结果；最后使用多种机器学习方法和深度学习方法Tensor Flow对特征选择后的数据集和原始数据集进行训练，并建立相应的ABX3钙钛矿能带间隙的预测模型。把这些模型得到的预测结果进行对比，从而分析特征选择对预测模型的准确度所带来的影响。这种方式能够有效地去探索和发现材料数据之间的内在联系。

荣誉墙

研究成员

类脑计算实验室包括许多老师和同学


张惠然老师张惠然老师
戴东波老师戴东波老师
沈小龙沈小龙
张研张研
刘丹刘丹
周冀超周冀超
刘尧刘尧
郑伟达郑伟达
李盛洲李盛洲
胡红青胡红青
周高峰周高峰
徐涛徐涛
郭治廷郭治廷
汪鑫汪鑫
范星月范星月
刘庆刘庆
欧阳杰欧阳杰
张成张成
胡瑞胡瑞
刘茜刘茜
李乐升李乐升
李俊杰李俊杰
张光捷张光捷
吴广吴广
林予典林予典
黄晨洋黄晨洋
代猛猛代猛猛
许奂羽许奂羽
庞家灿庞家灿
薛静远薛静远
李成宇李成宇
赵思敏赵思敏

研究成果

已发表的论文:

[1]. Dongbo Dai, Guangjie Zhang, Xiao Wei, Yudian Lin, Mengmeng Dai, Junjie Peng, Na Song, Zheng Tang, Shengzhou Li, Jiwei Liu, Yan Xu, Renchao Che, Huiran Zhang. A GPT-assisted iterative method for extracting domain knowledge from a large volume of literature of electromagnetic wave absorbing materials with limited manually annotated data[J]. Computational Materials Science, 2025, 245:113431.

[2]. Huibin Zhang, Xiaodi Zhou, Mingyue Yuan, Xuhui Xiong, Xiaowei Lv, Yihao Liu, Hualiang Lv, Yuxiang Lai, Jincang Zhang, Huiran Zhang, Deng Pan, Renchao Che. Highly Selective Nano-Interface Engineering in Multishelled Nanocubes for Enhanced Broadband Electromagnetic Attenuation[J]. Advanced Functional Materials, 2023.

[3]. Wei X, Zhang Y, Liu X, J Peng, S Li, R Che, H Zhang. A domain knowledge enhanced machine learning method to predict the properties of halide double perovskite A<sub>2</sub>B<sup>+</sup>B<sup>3+</sup>X<sub>6</sub>[J]. Journal of Materials Chemistry A, 2023.

[4]. H Zhang, X Liu, G Zhang, Y Zhu, S Li, Q Qian, D Dai, R Che, T Xu, Deriving equation from data via knowledge discovery and machine learning: A study of Young’s modulus of Ti-Nb alloys[J]. Computational Materials Science, 2023, 228:112349.

[5]. H Zhang, R Hu, X Liu, S Li, G Zhang, Q Qian, G Ding, D Dai. An end-to-end machine learning framework exploring phase formation for high entropy alloys[J]. Transactions of Nonferrous Metals Society of China, 2022

[6]. Zhang H, Zhang C, Hu R, et al. Unified SQL Query Middleware for Heterogeneous Databases[C]//Journal of Physics: Conference Series. IOP Publishing, 2021, 1873(1): 012065.

[7]. Ouyang J, Zhang H, Hu H, et al. Enhanced Deduplication Protocol for Side Channel in Cloud Storages[J]. International Journal of Network Security, 2021, 23(2): 270-277.

[8]. 胡红青, 吴邵刚, 郭治廷, 等. 基于 SISSO 和机器学习方法的钙钛矿结构的稳定性预测: 新型容许因子建立与验证[J]. 中国有色金属学报, 2020, 30(8): 1887-1894.

[9]. Dai D, Liu Q, Hu R, et al. Method construction of structure-property relationships from data by machine learning assisted mining for materials design applications[J]. Materials & Design, 2020, 196: 109194.

[10]. Zhang H, Guo Z, Hu H, et al. A novel structure-property relationship model based on machine learning[J]. Modelling and Simulation in Materials Science and Engineering, 2020, 28(3): 035002.

[11]. Dai D, Xu T, Wei X, et al. Using machine learning and feature engineering to characterize limited material datasets of high-entropy alloys[J]. Computational Materials Science, 2020, 175: 109618.

[12]. Zhang H, Zhou G, Li S, et al. Application of fuzzy learning in the research of binary alloys: Revisit and validation[J]. Computational Materials Science, 2020, 172: 109350.

[13]. Li S, Zhang H, Dai D, Ding G, Wei X, Guo Y. Study on the factors affecting solid solubility in binary alloys: An exploration by Machine Learning[J]. Journal of Alloys and Compounds, 2019, 782:110-118.

[14]. 郑伟达, 张惠然, 胡红青,等. 基于不同机器学习算法的钙钛矿材料性能预测 [J]. 中国有色金属学报

[15]. Liu Y, Zhang H R, et al. Prediction of superconducting transition temperature using machine learning method[J]. MATERIALI IN TEHNOLOGIJE, 2018, 52(5): 639-643.

[16]. Liu D, Zhang H, Zhou J, et al. Video processing using GPU-accelerator under desktop virtualization environment[C]// International Conference on Audio, Language and Image Processing. IEEE, 2017:766-770.

[17]. Zhang H R, Zhang Y, Dai D B, et al. Modelling and optimization of the superconducting transition temperature[J]. Materials & Design, 2016, 92:371-377.

[18]. 徐燕, 张玉凤, 高湉,等. Al基非晶合金表征参数的支持向量回归分析[J]. 中国有色金属学报, 2016, 26(4):836-843.

[19]. Huiran Zhang, Xiaolong Shen, Jiang Xie, Dongbo Dai, A Web-based Tool for Visualization of Biomolecular Network Comparison. Applied Mechanics and Materials, 2014.

[20]. 张惠然, 戴佳筑, 李芝龙,等. 基于云计算平台的医疗健康监视系统[J]. 上海大学学报(自然科学版), 2013, 19(1):35-38.

[21]. Huiran Zhang, Qiping Cao, Hongsuo Tang, Xiaofei Fan, Zheng Tang, The visual responses components of the three-dimension parallax stimuli, International Journal of Computer Science and Network Security, 2011, 11(5),43-48.

[22]. Huiran Zhang, Yantao Li, Zheng Tang. Study on Brainwave Responses from Ears: the Event-related Synchronization under the Auditory Stimulus. Computer and Information Science, 2011, 4(3): 18-32.

[23]. Huiran Zhang, Zheng Tang, To judge what color the subject watched by color effect on brain activity, International Journal of Computer Science and Network Security, 2011, 11(2), 80-83.

[24]. Huiran Zhang, Xiaolong Shen, Dongbo Dai, Weimin Xu,Jiang Xie, and Kawata, Shigeo, An Efficient and Interactive Problem Solving Environment (PSE) for Biomolecular Networks Visualization, in 2014 International Conference on Information Science, Electronics and Electrical Engineering (ISEEE 2014). 2014.

联系我们

地址：上海市宝山区大场镇南陈路333号上海大学计算机学院大楼608室

邮箱：hrzhangsh@shu.edu.cn  dbdai@shu.edu.cn

电话:   021-66135551