当前位置：产品详细
《中国科学院半导体所 伊晓燕》
中国科学院半导体所是我国在半导体领域的一所重要研究机构，致力于推动我国半导体产业的发展。伊晓燕是该所的一名杰出科学家，她在半导体材料和器件领域取得了重要的研究成果，并为我国的半导体事业做出了卓越的贡献。
伊晓燕在半导体材料研究方面有着深入的造诣。她主要关注新型半导体材料的设计、合成和性能研究。通过对材料的结构和组成的精确控制，她成功地开发出了一系列高性能的半导体材料。这些材料具有优良的导电性、稳定性和可加工性，能够满足不同应用领域的需求。例如，她设计了一种具有高载流子迁移率的新型硅基材料，这种材料在电子器件中具有广阔的应用前景。
伊晓燕还在半导体器件研究方面取得了重要的突破。她的研究重点包括场效应晶体管、光电子器件和传感器等领域。通过对器件结构和工艺参数的优化，她成功地提高了半导体器件的性能和可靠性。例如，她设计了一种高效稳定的太阳能电池，这种电池能够将太阳能转化为电能，并具有较低的制造成本和环境友好型。
伊晓燕还积极参与了半导体技术的应用研究和产业化推广工作。她与产业界的合作伙伴密切合作，将她的研究成果应用于实际生产中。她通过与企业的合作，推动了半导体技术的产业化发展，为我国的半导体产业注入了新的活力。她还积极投身于科普教育工作，向公众普及半导体知识，提高大众对半导体技术的认识和理解。
伊晓燕的工作成果得到了广泛的学术认可和社会赞誉。她曾多次获得国内外学术奖项和荣誉称号，成为我国半导体领域的杰出代表之一。她的成就不仅体现了个人的才华和努力，更是我国半导体事业取得的重要进步的象征。
中国科学院半导体所伊晓燕是我国半导体领域的一位杰出科学家，她在半导体材料和器件研究方面取得了重要的成果，并积极推动了半导体技术的产业化和科普教育工作。她的贡献为我国的半导体事业发展做出了重要的贡献，也为我国的科技创新树立了榜样。我们期待她在未来的研究和实践中继续取得更加辉煌的成就，为我国半导体事业的发展做出更大的贡献。
在中国科学院半导体所伊晓燕的带领下，我国的半导体研究正朝着更高的目标迈进。随着科技的不断进步，半导体技术将在更多领域得到广泛应用，为人们的生活带来便利和创新。我们相信，在伊晓燕等科学家们的努力下，我国半导体事业将会取得更加辉煌的成就，为我国的科技创新和社会发展做出更大的贡献。
中科院半导体所论文再登TNNLS顶刊，贡献探索数学表达式的新视角
超神经HyperAI2024-02-0111:01:21发布于福建+关注*预测的困难程度会随着预测对象数量的增加而增加，同时表达式的隐藏层（即复杂度）也会增加；
*标签预测的瓶颈在于操作员的选择；
*DSN2比DSN1更好地求解了最优和近似解；
*等效标签合并和样本平衡可以增强算法算法的鲁棒性。
首先，DeepSymNet比符号树能更有效地表示表达式，对于在一个表达式中多次出现的同一模块，DeepSymNet的平均标签长度比NeSymRes短。使用DeepSymNet标签训练的模型的预测准确率远超使用NeSymReS标签训练的模型，如上图所示。这说明DeepSymNet标签优于符号树标签。
其次，随着表达式所占隐层数的增加，该模型的预测准确率迅速下降。所以，研究团队提出标签预测可以分为两个子任务——算子预测和连接关系预测，以确保标签预测问题能够得到更好的解决。
将DeepSymNet分为两部分进行训练的结果表明，随着隐层数的增加，算子选择的预测精度急剧下降，而连接关系的预测精度一直很高。这是由于算子选择空间要比连接关系选择空间大的多。所以，为了提高算子选择的准确性，研究人员对算子选择进行了单独训练。
在预测过程中，团队首先使用算子选择模型获得算子选择序列，然后将其输入到训练后的模型DSN1中预测连接关系，测试结果如上图。在对运算符选择进行单独训练后，预测精度大大提升。单独训练的模型称为DSN2。
此外，研究人员还进行了验证等效标签合并和样本平衡增强鲁棒性的消融实验。首先随机抽取了50万个训练样本，其中包含128，455个不同的标签(TrainDataOrg)。结果发现这些标签的样本数分布严重不均，最小样本数为1，最大样本数为13，196，样本数方差为13，012.29。
随后团队对样本数进行了平衡，分别获得训练样本TrainDataB，以及合并等效标签后获得的训练样本TrainDataBM。
随后基于3个训练数据得到模型DSNOrg、DSNB和DSNBM，这3个模型在测试集上进行了测试，三者从前至后准确率依次提升，说明增加样本平衡和合并等效标签后，模型求解最优解的准确率得到了提高，确实增强了算法的鲁棒性，提高了算法的性能。
公共数据集测试结果
研究团队使用了6个测试数据集：Koza、Korns、Keijzer、Vlad、ODE和AIFeynman，从这些数据集中选取了不超过3个变量的表达式进行测试。与目前流行的基于监督学习的方法比较显示，该算法(DSN1、DSN2)的准确性优于对比算法。
此外，团队将该算法与当前流行的基于搜索的方法EQL、GP和DSR进行比较，得到结果如下图所示。
该算法(DSN1、DSN2)的平均误差最小，得到的表达式的复杂度也最接近真实表达式的复杂度。
综上，根据结果可以得出结论，该团队研究的算法在符号表达式误差、符号表达式复杂度和运行速度3个方面都优于对比算法，证实了该算法的有效性。背后团队星光熠熠关于符号回归的核心问题，全世界的科学家都在不断努力。尽管在论文中提到，DeepSymNet仍有一些局限性，但这项研究仍旧为人工智能解决数学问题做出重要贡献，通过将其视为分类问题的方法，无疑为基于监督学习的SR方法提供了一个全新的解题思路。
当然，取得这一成就的背后还离不开一群人的热血和汗水，比如论文的第一作者吴敏，从中科院半导体所官网查询，吴敏现为中国科学院半导体研究所助理研究员，参与了「基于深度学习的符号回归及其在半导体器件研发中的应用」、「知识融合的神经网络分治约简符号回归方法」等多个科研项目。
另外，论文作者中的刘婧逸博士，在去年7月以第一作者的身份，被人工智能顶刊NeuralNetworks收录了一篇论文，论文题为《SNR:SymbolicNetwork-basedRectifiableLearningFrameworkforSymbolicRegression》，为符号回归问题提供了一种具有纠正能力的学习框架。
从相关课题的研究来看，国内正在扎扎实实地引领创新性的方法，未来可期的是，这些理论和研究成果必将在不久的将来对于解决实际问题贡献重要意义。
友情链接