碳中和团队严文生&臧月&周鹏最新CEJ：大面积钙钛矿电池模组效率达21%

　　人艺数法学院HDVIS团队研究成果被计算机领域TOP期刊IEEE TVCG录用

　　碳中和团队严文生&臧月&周鹏最新CEJ：大面积钙钛矿电池模组效率达21%

　　随着国家“双碳”战略目标的提出，光伏新能源迎来了前所未有的机遇。同时，也面临着重大的技术挑战。作为第三代光伏电池，钙钛矿电池因其在降本、提效、应用场景拓展等方面展现出了显著的优势和巨大的市场空间，成为最具商业化前景的光伏发电技术。当前，器件的大面积制备成为制约钙钛矿光伏技术迈向产业化应用的主要障碍之一。

　　近日，碳中和新能源研究院/电子信息学院严文生教授团队与湖北文理学院低维光电材料与器件湖北省重点实验室李望南教授团队合作，在大面积钙钛矿电池模组制备领域取得重大进展，相关研究成果以杭州电子科技大学为第一单位，发表在国际Top期刊《Chemical Engineering Journal》(影响因子15.1)，论文第一作者为臧月副教授，李望南教授、周鹏博士后和严文生教授为论文通讯作者。

　　大面积钙钛矿薄膜制备的主要难点在于其成核速度难以控制，从而导致钙钛矿薄膜的致密性不佳，存在大量缺陷，进而影响模组器件的光伏性能。目前已报道的高效电池其钙钛矿薄膜制备时通常使用反溶剂或吹气辅助，增加了工艺难度，不适用于大规模产业化。鉴于此，本研究提出使用绿色N1作为钙钛矿前驱体溶剂添加剂，对钙钛矿的晶体成核与生长动力学过程、薄膜形貌和结晶质量进行了系统研究，实现了一步法无反溶剂制备高质量钙钛矿薄膜，简化了薄膜制作工艺流程，利用该方法制备的小面积电池效率达到23.2%，获得了比传统NMP添加剂更优异的性能（如图1所示）。

　　本文研究结果表明，与传统的NMP添加剂相比，N1添加剂与PbI2的络合能力更强。在钙钛矿前驱体中添加N1，可以抑制DMF中间相的产生，由于N1与PbI2有非常强的络合作用，可直接生成PbI2•N1络合物，从而在一步溶液法制备钙钛矿薄膜中实现了卤化物搭模板、有机阳离子定结晶这一策略，在无辅助（无反溶剂或气相辅助）结晶处理的情况下得到了晶粒大小均匀、光滑致密、无枝晶的钙钛矿薄膜，有利于实现面向商业化的大面积钙钛矿薄膜制备（如图2所示）。

　　在此基础上，作者将该策略应用于大面积钙钛矿电池模组制备中，采用狭缝涂布法印刷制备了5 cm×5 cm大面积钙钛矿太阳能电池，实现了高达20.98%的光电转换效率。此外，该大面积模组展示出了较好的环境稳定性，在相对湿度50%、温度30℃未封装的情况下，连续光照1000小时后仍保持了80%的初始效率。本研究工作对高性能大面积钙钛矿电池的制备，推动其产业化进程具有重要意义，同时该技术可平移到其他钙钛矿体系及应用领域，如钙钛矿发光器件、光探测器等，具有巨大的潜力（如图3所示）。

　　该项研究由杭州电子科技大学、杭州电子科技大学丽水研究院合作完成。该论文的第一作者为2021级硕士研究生李浩然，指导老师为郑博仑副教授和颜成钢教授。图像去马赛克是图像信号处理(ISP)中的一项基本任务，其目的是根据特定的颜色滤波阵列(CFA)模式重建RGB图像。然而，智能手机摄像头的传感器尺寸有限，无法实现高质量成像。于是转向使用Quad Bayer CFA的像素装仓，以在较小的传感器尺寸中捕获更真实的场景信息。这种滤波器阵列的优点是通过合并相邻的像素并允许将相同颜色的像素组合成更大的像素块来提高图像传感器的性能。然而，由于相同颜色像素之间的距离增加，从Quad Bayer CFA重建全像素RGB图像难度增加。针对这个问题，本研究提出了一种具有联合残差学习的双编码器网络，从Quad Bayer CFA捕获的RAW图像重建视觉上满意的RGB图像。具体来说，利用了双编码器来彻底提取信息，其中包括自适应编码器和四拜耳编码器，从而解决了从Quad Bayer CFA中提取信息的困难。在自适应编码器中，我们首先将联合去马赛克和去噪过程解耦为两个独立的分支，并将它们包含在一个联合残差块中。然后引入自适应块来弥补输入RAW图像和重构RGB图像之间的域差异。在四拜耳编码器中，我们设计了一个特殊的四拜耳特征提取块，称为像素调制块，以充分利用Quad Bayer CFA在噪声抑制和颜色恢复方面的优势。

　　智能信息处理实验室(HDU IIPLab)主任为颜成钢教授。实验室现有在职教师30余名，含4位国家级人才及多位省级人才，包括“海外引才计划”特聘教授、“海外引才计划”青年学者、浙江省“钱江学者”特聘教授、浙江省杰出青年基金获得者、浙江省“151人才工程”第一层次、浙江省高校中青年学科带头人重点资助等多名国家及省部级人才。现有硕博生100余名，毕业生多就职于阿里巴巴、腾讯、字节跳动、海康威视、华为、网易等国内知名大公司。实验室采用与海内外知名高校、研究所(清华大学、北京大学、中国科学院、美国北卡罗来纳大学教堂山分校、澳大利亚悉尼科技大学等等)联合培养制，长期致力于智能信息处理方面的研究，主要研究方向包括：机器学习、模式识别、计算机视觉、计算机图形学、医学影像处理、生物信息学等。实验室为学校交叉创新团队，拥有自由开放的学术氛围和国际前沿的研究方向，可以在多个学院招生，包括但不限于通信、自动化、计算机、电子等学院。

　　王冬, 秦倩倩, 郭开天, 刘容轲, 颜伟鹏, 任一支, 罗清彩, 申延召. 联邦学习中的模型逆向攻防研究综述[J]. 通信学报, 2023, 44(11)成果简介

　　联邦学习作为一种分布式机器学习技术可以解决数据孤岛问题，使机构间可以跨地域协作而数据不出本地。该技术旨在不直接上传本地数据的前提下，上传通过本地数据训练后的模型参数，包括模型权重、梯度信息等。服务器收到多名参与方的参数后进行聚合，并重复多次得到一个共享的全局模型。然而，由于机器学习模型会无意识地记忆训练数据，并将其编码在模型权重或梯度信息中，导致参与方上传的参数会遭受各种隐私攻击，使本地的敏感数据泄露。

　　本文重点关注隐私攻击中的模型逆向攻击（MIA, model inversion attack）及相应的防御技术。为全面呈现MIA相关技术和面临的主要挑战，杭州电子科技大学任一支教授团队在《通信学报》2023年第11期发表了《联邦学习中的模型逆向攻防研究综述》，收录于专题“复杂环境下的分布式边缘智能”。首先，概括并详细分析了该攻击的理论框架，分为朴素、生成式、生成-优化式的模型逆向攻击；然后，根据威胁模型将模型逆向分为白盒、黑盒攻击，并对现有的攻击方法进行分析与比较；接着，根据不同技术类型对现有的防御策略进行分析与比较；最后，对现有模型逆向攻击常用的评估标准及数据集进行汇总，并对模型逆向攻击现有的主要挑战以及未来研究方向进行总结。

　　（1）给出了模型逆向攻击的定义。模型逆向攻击（MIA, model inversion attack）通过访问目标模型，重构训练数据、敏感属性或输入数据。该攻击根据重构目标可以将其分为两类：数据重构攻击和类重构攻击。数据重构通过某个样本在目标模型上的预测结果重构该样本，我们把要重构的样本称为目标样本，把目标样本在目标模型上的预测向量称为目标预测向量。在一些数据重构的攻击场景中，敌手可能不需要重构目标样本的所有属性，而是根据目标样本预测和目标的部分非敏感属性重构敏感属性。类重构攻击的目标是重构出具有某个类典型特征的样本，例如对人脸识别模型实施类重构攻击可以窃取目标类的典型样本，也就是某个个体的人脸图像。

　　（2） 总结了3种模型逆向攻击的理论框架。从理论框架的角度出发，将现有的模型逆向攻击总结为三类：朴素、生成式、生成-优化式的模型逆向攻击。在此基础上，对相应理论进行了概括性总结，为后续介绍不同攻击中改进的位置提供了理论指导。

　　（3） 分类分析了2种威胁模型下的模型逆向攻击技术。根据威胁模型，可以将模型逆向攻击分为2种，即白盒模型逆向攻击和黑盒模型逆向攻击。

　　① 白盒模型逆向攻击。在白盒攻击场景下，例如联邦学习训练阶段，敌手拥有目标模型的全部知识，其中包括目标模型的结构和模型参数等。通常情况下，敌手还可以访问一个与目标数据集分布接近的辅助数据集。该文针对现有白盒攻击根据攻击模型、优化对象、损失函数进行相应的改进方法进行分析与比较。

　　针对攻击模型的改进可总结为尽可能地利用目标模型知识来训练一个强大的攻击模型；优化对象可分为潜在向量与噪声分布；针对损失函数的改进可总结为该损失即能优化目标重构的正确性，又能优化重构数据的真实性。

　　② 黑盒模型逆向攻击。在联邦学习测试阶段，目标模型通常被保护成黑盒，位于客户端的敌手只能查询目标模型。该文针对现有黑盒攻击根据敌手知识、优化对象进行相应的改进方法进行分析与比较。

　　敌手知识可分为通过访问目标模型获取的预测为置信度向量、标签或隐藏层特征；优化目标可分为攻击模型或潜在向量。黑盒攻击的改进可总结为利用有限的知识训练一个可行的攻击模型；利用各种可行的方案近似白盒攻击中用于优化对象的梯度信息。

　　（4）介绍了多种模型逆向攻击的防御技术。为了应对模型逆向攻击，多种防御策略被提出，在政务、金融、医疗、联邦学习开源工具等领域均有落地应用的探索，并根据技术类型可分为基于加密技术、扰动技术、深度学习训练技术的防御策略。但上述策略也有相应的局限性和挑战，例如加密技术会给本地和服务端带来额外的计算开销，给传输网络增加额外的占用空间。为了解决该问题，基于差分隐私的模型参数扰动技术被提出，但相关文献证明基于差分隐私随机梯度下降（DPSGD, differential privacy stochastic gradient descent）的防护技术无法针对最先进的攻击方法成功防御。因此，基于目标模型输出的扰动技术、基于深度学习训练技术的防御策略相继被提出，旨在保证模型可用性的同时，提高模型防御能力。但上述方法同样存在性能损失、可用性与隐私性难以权衡等问题，因此设计更高效、可靠、通用的防御策略，仍然是一个值得持续研究的问题。

　　任一支教授及其团队自2014年开始，长期从事大数据安全、人工智能、隐私计算、区块链等方面的科研与教书育人工作，对人工智能安全机理与风险防控进行了系统性的研究。近年来主持和参与国家重点研发计划项目、国家自然科学基金、工信部网络安全技术应用试点示范项目、国家社科基金重点项目、国家网信办研究项目、中国工程院咨询项目等国家级项目10余项，以及省尖兵领雁、教育部人文社科基金、省自然科学基金等省部级课题9项。曾担任30余个国际会议主席或程序委员会委员。在IEEE TIFS、IEEE TCC、IEEE Systems Journal 、IEEE Network等重要期刊和会议上发表学术论文70余篇。申请和授权国家发明专利13项。获得浙江省研究生教育成果二等奖1项、教育部网络空间安全产学协同育人优秀案例二等奖1项、校教学成果一等奖和二等奖各1项，以及IEEE TrustCom2018最佳论文奖、IEEE AINA2011最佳学生论文奖、CSS2009学生论文奖。

　　近日，人艺数法学院HDVIS团队研究成果“ConceptThread: Visualizing Threaded Concepts in MOOC Videos”被计算机图形学和可视化领域国际顶级期刊IEEE Transactions on Visualization and Computer Graphics (IEEE TVCG)录用，HDVIS团队负责人周志光教授为论文第一作者，2021级数字媒体技术方向硕士研究生叶力同学为学生第一作者，人艺数法学院院长王毅刚教授为合作导师。相关研究工作得到国家自然科学基金资助，同时也是该团队与浙江大学、新加坡管理大学、之江实验室共同合作的产出成果。

　　近年来，大规模开放在线课程（MOOCs）平台越来越受欢迎，已经逐渐成为知识学习与传播的主要途径。在线学习过程中，学习者通常需要观看 MOOC平台上的课程视频来学习新知识，由于缺乏对所涵盖知识脉络及其逻辑结构的理解和掌握，往往导致学习过程繁琐和认知局限。本文提出了面向知识点逻辑关系梳理的可视分析方法ConceptThread，结合新颖的环状字形设计，利用基于“线程”的隐喻实现MOOC视频中的知识概念传播流程展示，同时通过基于音视频脚本设计的系统流程，自动提取在课程中的概念及其多类关系，从而优化在线学习环境，提升学习者的认知效率。

　　TVCG英文全称IEEE Transactions on Visualization and Computer Graphics，是 IEEE计算机协会主办的顶级期刊，主要收录计算机图形学、信息与科学可视化、系统、软件、硬件、用户交互、虚拟/增强现实等领域的优秀研究成果。目前TVCG是中国计算机学会(CCF)推荐A类国际学术期刊，是计算机图形学与多媒体方向三大A类期刊之一，另外两个分别是ACM Transactions on Graphics(TOG)，IEEE Transactions on Image Processing(TIP)。同时，TVCG也是中国科学院SCI一区和TOP期刊，最新影响因子5.2。该文章的录用表明我校的科研水平、青年教师和研究生培养在高水平大学建设战略背景下得到显著的提升。

　　HDVIS团队始建于2022年，依托于人艺数法学院大数据可视化与智能人机交互研究所，包括10余位计算机图形学、人机交互设计等交叉学科背景老师，主要从事大数据可视化、大模型可解释、多元空间数字孪生、多模态认知计算等创新理论研究，及其在能源工业、智能制造、石油勘探、经济金融、健康医疗等领域的技术应用研究。主持国家自然科学基金5项，发表高水平期刊和会议论文50余篇，包括IEEE VIS、TVCG、THMS、CG&A、计算机学报、软件学报等；申请及授权发明专利20余项，获浙江省自然科学三等奖（排名第一）、浙江省科学技术进步三等奖（排名第五）、陆增镛CAD&CG高科技三等奖等。与国家电网、浙能集团、中国石油、之江实验室等单位开展多项社会服务创新研究，建立深入的产学研合作。

　　《Sonar Image Coarse-to-Fine Few-Shot Segmentation Based on Object-Shadow Feature Pair Localization and Level Set Method》论文针对声纳图像中的分割问题，提出了一个两阶段的声纳图像分割模型：第一阶段方法利用声纳图像中的目标-阴影特征对水下目标进行定位；第二阶段采用水平集算法，从初始曲线开始演化逐步收敛至目标边缘处，最终生成准确的分割结果。为了解决声纳样本稀疏的问题，通过分析声纳和异构图像之间的共同特征，从光学和遥感图像中迁移具有物体—阴影特征的样本增强声纳数据集。在目标检测阶段的边界框生成过程中，设计了一种基于因果联系的筛选算法，使算法能够去除孤立区域，输出最优的目标-阴影特征区域，实验结果验证了算法的有效性与鲁棒性。

　　《A Level Set Method With Heterogeneity Filter for Side-Scan Sonar Image Segmentation》论文针对侧扫声纳图像的目标分割与探测难题，提出了一种基于非均质滤波器和水平集方法的声呐图像分割算法：采用非局部均值滤波去除声纳图像的斑点噪声，然后采用超像素方法对纹理相似的区域进行局部聚合，降低计算复杂度；利用两个非均质滤波器消除声呐图像的非均质性，增强检测目标的特征。算法还嵌入了自适应的阈值计算方法，以获得高亮区域与阴影区域的粗轮廓，并以它作为初始曲线进行水平集分割，最终得到水下目标的轮廓特征。实验结果验证了方法在虚警等评估指标上比传统的声纳图像分割算法具有更佳的性能。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。