1.中国科学院首款国产高压抗辐射SiC功率器件实现空间验证及其在电源系统中的在轨应用

2.电子科技大学商烁教授团队连续在人工智能顶会顶刊发表论文

3.北理工团队在变刚度超材料研究中取得重要进展

4.中国科学院深度学习模型的原位可视分析研究取得进展

1.中国科学院首款国产高压抗辐射SiC功率器件实现空间验证及其在电源系统中的在轨应用

功率器件是实现电能变换和控制的核心，被誉为电力电子系统的心脏，是最为基础、最为广泛应用的器件之一。随着硅（Si）基功率器件的性能逼近极限，以碳化硅（SiC）为代表的第三代半导体材料，以禁带宽度大、击穿场强高、饱和电子速度快等优势，可大幅提高空间电源的传输功率和能源转换效率，简化散热设备，降低发射成本或增加装载容量，功率-体积比提高近5倍，满足空间电源系统高能效、小型化和轻量化需求。

中国科学院微电子研究所刘新宇与汤益丹团队，联合空间应用工程与技术中心刘彦民团队研制的碳化硅（SiC）载荷于2024年11月15日搭乘天舟八号货运飞船飞向太空，开启了空间轨道科学试验之旅。

本次搭载的SiC载荷系统主要任务为国产自研高压抗辐射SiC功率器件（SiC二极管和SiC MOSFET器件）的空间验证及其在航天电源中的应用验证、SiC功率器件综合辐射效应等科学研究，有望逐步提升航天数字电源功率，支撑未来单电源模块达到千瓦级。

通过一个多月的在轨加电试验，SiC载荷测试数据正常，高压400V SiC功率器件在轨试验与应用验证完成，在电源系统中静态、动态参数符合预期。本次搭载第一阶段任务完成，实现了首款国产高压400V抗辐射SiC功率器件空间环境适应性验证及其在电源系统中的在轨应用验证，标志着在以“克”为计量的空间载荷需求下，SiC功率器件将成为大幅提升空间电源效率的优选方案，牵引空间电源系统的升级换代。（中国科学院）

2.电子科技大学商烁教授团队连续在人工智能顶会顶刊发表论文

近日，计算机科学与工程学院（网络空间安全学院）时空大数据与智能团队科研和人才培养工作再传捷报。由2022级博士研究生饶漩、2023级博士研究生周偲琳、2023级硕士研究生丁重钧撰写的4篇论文相继被人工智能顶会WWW 2025、KDD 2025和顶刊IEEE Trans. on Knowledge and Data Engineering接收。

饶漩以第一作者撰写的论文《Seed: Bridging Sequence and Diffusion Models for Road Trajectory Generation》（作者：饶漩、商烁〔通讯作者〕、姜仁河、韩鹏、陈力思）和丁重钧以第一作者撰写的论文《Parallel Online Similarity Join over Trajectory Streams》（作者：丁重钧、李科、陈力思、商烁〔通讯作者〕）被数据挖掘顶会WWW 2025（The 34th International World Wide Web Conferences）接收。WWW位列CCF推荐会议A类，本年度投稿量超过2000篇，仅收录409篇，接收率仅为19.8%。

饶漩的论文主要研究路网轨迹生成问题，提出的Seed方法将序列模型和扩散模型结合为条件扩散模型，利用序列模型提取路段的移动规则，扩散模型则将这些规则作为引导条件来生成下一个路段。在基准数据集上的实验结果充分验证了所提出方法的有效性。

丁重钧的论文主要研究在大规模数据流上的轨迹相似性实时连接问题，通过将时间感知的指数衰减因子引入时空相似性函数，确保了轨迹连接结果的实时、动态更新，从而有效消除了过时的结果。本文提出的基于矩阵的分区方案与动态负载平衡算法，有效地对轨迹流进行分区，同时最小化数据冗余。为了提高效率，在空间和时间维度上实现了多级剪枝技术，加速了轨迹时空相似性计算。此外，本文还提出了一个近似算法，优化了轨迹相似性的合并过程，基于真实世界数据集的实验结果充分验证了所提出框架的效率与可扩展性。

周偲琳以第一作者撰写的论文《Grid and Road Expressions Are Complementary for Trajectory Representation Learning》（作者：周偲琳、商烁〔通讯作者〕、陈力思、韩鹏、Christian S. Jensen）被数据挖掘顶会SIGKDD Conference on Knowledge Discovery and Data Mining（KDD2025）接收。KDD位列CCF A推荐会议A类，本年度接收率仅为19%。

周偲琳的论文主要关注轨迹大数据分析。轨迹记录物体（如车辆或行人）的运动，分析轨迹数据对理解移动模式至关重要，有助于解决许多现实问题，包括交通优化、交通管理、行人移动性分析。这些问题依赖于一组基本的轨迹操作，如轨迹分类、出行时间估计，轨迹相似度计算。轨迹表示学习的任务是学习可变长度轨迹的通用向量表示，以支持多种轨迹下游任务。现阶段工作都是在基于GPS轨迹的基础上，利用生成的道路轨迹，或者生成的网格轨迹进行轨迹表示学习，然而这种方式只能提供有限的运动模式信息。为了解决这个问题，本文将网格轨迹和道路轨迹利用多模态学习联合表示，提出了一种新颖的轨迹表示多模态框架GREEN。首先道路轨迹利用路网信息和连续性特性学习道路轨迹表示，网格轨迹利用区域信息和网格内GPS点属性学习网格轨迹表示。在这两种单独轨迹表示的基础上，GREEN利用多模态技术融合两种轨迹表示，从而大幅度提升轨迹表示的准确性。在两个百万规模数据集和三个下游任务的实验表示，GREEN的平均性能能够提升15.99%，并且同时具备高效的训练速度。

饶漩以第一作者撰写的论文《Next Point-of-Interest Recommendation with Adaptive Graph Contrastive Learning》（作者：饶漩、姜仁河、商烁〔通讯作者〕、陈力思、韩鹏、姚斌、Panos Kalnis）被人工智能顶刊IEEE Trans. on Knowledge and Data Engineering（TKDE）接收，该期刊位列CCF推荐期刊A类，常年接收率低于20%。

本篇论文主要研究下一个兴趣点推荐问题，提出的AGCL方法利用多个适应性的兴趣点转移图来学习更全面的兴趣点表征，并通过对比学习进一步提升兴趣点的表征能力，从而实现更高的推荐准确率。在基准数据集上的实验结果充分验证了所提出方法的有效性。

计算机科学与工程学院（网络空间安全学院）时空大数据与智能团队由国家级青年人才商烁教授于2019年创建，近年来围绕大数据、大模型、智能时空计算、智能防灾减灾等方向开展广泛而深入的研究。团队现累计已有4名国家级青年人才，博士、硕士研究生40余人，累计发表相关研究领域CCF A类论文150余篇，承担2项国家重点研发计划和6项国家自然科学基金重点项目。其中商烁教授、陈力思教授已先后入选全球前2%顶尖科学家榜单（World’s Top 2% Scientists），研究成果获江西省科技进步一等奖、福建省科技进步一等奖。（电子科技大学）

3.北理工团队在变刚度超材料研究中取得重要进展

近期，北京理工大学软物质力学团队在力学超材料方面取得重要进展，相关研究成果以“Stability-Enhanced Variable Stiffness Metamaterial with Controllable Force-Transferring Path”为题发表在国际顶级期刊《Advanced Functional Materials》，并被选为当期卷首论文（Frontispiece）。北京理工大学宇航学院2020级硕士研究生伊继烜为论文第一作者，宇航学院万超副教授与张凯教授为论文共同通讯作者。

工程领域对结构刚度要求日益复杂，使得传统材料难以满足多变的设计需求。在这种背景下，可变刚度材料应运而生。作为可变刚度材料之一，自接触变刚度超材料（Self-contact variable stiffness metamaterials）通过改变其力传递路径，实现了特定的弹性应变能存储模式，进一步实现刚度调节，解决了常见变刚度超材料需要外部驱动或刺激场的不足。然而，由于超材料制造过程中不可避免地存在不规则结构、偏心和缺损等不足，现有的自接触变刚度超材料大多难以稳定地实现预期设计的应变能存储模式，其实际的刚度变化范围受到很大影响。

为了解决这一问题，本研究提出了一种具有偏心单元设计的SVS超材料/超结构，既能实现稳定的刚度变化，又能实现高承载。理论、仿真和实验结果表明：新型的SVS超材料在高、低载荷条件下刚度变化约为110倍；进入高刚度阶段时，其承载能力可达1500 N以上（如图2所示）。

图2 自接触变刚度超材料的偏心设计、传力路径及其增稳机制

进一步，基于该稳定性增强的SVS超材料，可实现对人体关节的定制机械保护（如图3）和远程机械输入信号调节的信息转换功能（如图4）。这些成果为生成更可行的稳定性增强SVS超材料/超结构提供了有益的解决方案，并推动了它们在航空航天、医疗器械和机器人技术等领域的潜在应用。

图3 基于自接触变刚度超材料构建的人体腕关节护具

图4 基于自接触变刚度超材料实现的力学-信息转换功能

该研究得到了国家自然科学基金经费支持。（北京理工大学）

4.中国科学院深度学习模型的原位可视分析研究取得进展

近年来，深度学习网络凭借卓越的能力，在不同领域取得了成果，但训练出高质量的深度学习网络面临挑战。尽管可视化方法为深度学习网络训练提供了辅助，但当前主流的事后分析策略在实际应用中存在较多问题，如数据量庞大导致存储困难、I/O开销过高以及无法实现实时干预等。特别是对于深度学习网络训练过程产生的海量时间序列数据，现有工具难以从中提取出详细的训练过程信息，这阻碍了模型优化。

中国科学院计算机网络信息中心先进交互式应用与发展部团队创新性地提出了针对深度学习模型训练数据的原位可视分析框架，形成了原位特征提取算法和神经元学习模式抽象算法。原位特征提取算法在模型运行时复用内存数据，实时分析动态数据，解决了传统事后分析的数据存储和I/O瓶颈问题；而神经元学习模式抽象算法则基于原位特征数据，抽象出神经元的三种学习模式，为可视分析提供支持。

这一框架在性能方面表现良好，对千万参数深度神经网络模型的时序训练数据压缩率可达1% ，能够支撑训练全过程的问题可视分析与回溯，可以实现batch level神经元信息可视化，为深度学习模型优化提供全新视角和支持。

相关研究成果被IEEE Transactions on Visualization and Computer Graphics录用。研究工作得到国家自然科学基金和中国科学院战略性先导科技专项的支持。

深度学习模型原位分析流程

深度学习模型原位可视分析系统

（中国科学院）