XiaoMi-AI文件搜索系统
World File Search System陈伟祥
项目名称 用于感测及光学互连的硅光子集成电路 负责人曾汉基教授 (电子学系)
项目名称 用于传感和光学互连的硅光子集成电路 负责人 曾汉基教授（电子工程系） 工学院院长、伟伦电子工程学教授 成员 易丹博士 博士（电子工程），2022 年 陈吴大卫博士 博士（电子工程），2023 年 周学桐博士 博士（电子工程），2023 年 项目描述 本项目旨在开发下一代硅光子集成电路技术，该技术可以提高系统性能，使其超越纯微电子集成电路所能达到的水平。 该团队的核心专业知识是硅光子学，这是中大二十多年的研究成果。作为亚洲最早开发硅光子学的团队之一，该团队拥有一些最先进的硅光子设计，可用于提高通讯设备、3D 成像和量子信息系统的性能。遵循微电子行业无晶圆厂设计业务模式的成功范例，我们将专注于设计，同时利用现有的代工厂制造光子集成电路 (PIC)。该团队将构建子系统，用作其他公司生产的产品的核心组件。他们的产品将包括用于数据中心互连的基于硅光子的 1.6 和 3.2 TbE 光学引擎，以及用于医疗设备和工业计量的小型手持式光学相干断层扫描 (OCT) 成像系统。创始成员包括电子工程系的曾汉基教授、易丹博士、陈吴博士和周学桐博士。曾汉基教授是工程学院院长和伟伦电子工程教授，在硅光子学方面拥有超过 23 年的研发经验，包括成功将新产品推向市场。易丹博士于 2022 年获得中大博士学位，并荣获工程学院最佳论文奖。 David WU Chan 博士于 2023 年获得博士学位，并开发出最先进的工作速度超过 400Gb/s 的硅调制器。周学桐博士于 2023 年获得博士学位，并开发出最先进的先进光纤到芯片接口，该接口可提供同类最佳的性能，具有高耦合效率（耦合损耗小于 0.9dB）和宽工作带宽。
QUAT关于“促进低收入国家发展”的议案......
葛佩帆议员就“推动低空经济发展”提出的议案 由黄伟伦议员、陈培良议员、吴智豪博士、陈兆雄议员、严刚议员、邓家彪议员和李会明博士议员修订 香港特区政府持续追求经济增长和发展，并全力推动新经济领域发展；国务院总理在第十四届全国人民代表大会第二次会议作政府工作报告时提到要积极培育新兴产业和面向未来的产业，其中推动低空经济发展被视为新增长引擎之一；低空经济涵盖广泛的产业链，范围涉及政策的制定、应用场景的拓展以及产业链各环节之间的高效协作；现时，内地已有不少城市(包括深圳)制定发展低空经济的规划，香港作为国家的南门户，亦应积极配合国家政策，拓展低空经济领域；就此，本会促请特区政府重点研究及探索香港发展低空经济，检讨现行法律法规的局限及提出修订建议，尽早划定各类应用场景的试验区，并利用内地优势，积极与粤港澳大湾区各个城市对接协调，将低空经济打造为粤港澳大湾区智慧城市群的优质新生产力之一；本会亦促请特区政府：(1)短期内重点发展无人机表演产业，推动空中文化及旅游； （二）长远而言，探索发展“空中的士”服务，稳步发展粤港澳跨境直升机服务；以及
强相关材料的电子结构计算
In collaboration with He, Rong-Qiang （贺荣强） a gifted expert Zheng, Ru （郑茹） , Wang, Jia-Ming （王佳明）， Chen, Yin （陈寅） , Tian, Yi-Heng ( 田一衡） at Renmin University of China; Huang, Li ( 黄理） a gifted expert at Science and Technology on Surface Physics and Chemistry Laboratory
目录
技术程序委员会： 张超 国防科技国家创新研究院 陈厚桐 美国洛斯阿拉莫斯国家实验室 范文辉 中国科学院西安光学精密机械研究所 韩家光 桂林电子科技大学 胡敏 电子科技大学 胡明烈 天津大学 金标斌 南京大学 Olga G. Kosareva 莫斯科国立大学 刘伟 南开大学 谷昌彦 日本福井大学 彭小雨 中国科学院重庆绿色智能技术研究院 Emma Pickwell-Macpherson 英国华威大学 石伟 西安理工大学 东之内昌义 日本大阪大学 王天武 中国科学院空天信息研究院 吴小军 北京航空航天大学 徐德刚 天津大学 张东文 国防科技大学 张岩 首都师范大学 张亚欣 电子科技大学 赵增秀 国防科技大学 郭立朱一明，中国工程物理研究院 朱一明，上海理工大学
陈石教授的出版物：1. K. Wang，H. Li*，Z. Xu，...
9. Xu, Z.; Li, H.*; Liu, Y.; Wang, K.; Wang, H.; Ge, M.; Xie, J.; Li, J.; Wen, Z.; Pan, H.; Qu, S.; Liu,
用于系统识别和机器学习中应用的陈 - 弗利斯系列的连续性
在涉及系统识别，自适应控制和机器学习的应用程序中，随着时间的推移会不断处理输入输出数据流，以产生参数/权重估计的效率，以使假定的模型的行为与数据源相匹配。例如，在控制的背景下，这通常意味着模型的动力学应渐近地接近植物的动力学。当模型与工厂不兼容或数据流中包含不良信息时，这可能不会发生。更微妙的失败模式是模型的动力学不持续取决于参数的一种。在这种情况下，参数估计的序列可能会收敛到一定极限，而模型动力学的相应近似序列在任何意义上都无法收敛。
