• 斯坦福/伯克利第三期暑期学术课程

  • 工程导论:李培根院士

  • 科学思维与研究方法:国家教学名师 余龙江教授

2018休斯敦大学暑期实习项目(5)

作者:时间:2018-09-07点击数:编辑:刘艳红


 

综述:

本周是2018年华中科技大学同学来休斯顿大学ECE学院进行暑期实习的第五周。在导师们和学长学姐们的指导和带领下,大家的科研项目也都在有条不紊的开展着,期间有课题进展的喜悦,也有实验不顺的苦恼。相信大家可以克服困难,努力前行。

个人实习日志:

 

UH实习日志|赵隽逸

   本周实验方面没有太大的进展,主要还是在查阅文献,以及对一些之前做的结果不太理想的实现已经补做和论证。因为自从读了那篇Joanna Aizenberg教授的发表在《Nature》上的有关ferrofluid的文章,被他们研究的细致程度和完善程度深深震撼到,不禁感叹,难怪人家的研究成果能够发表到nature上,从setup的搭建,表征实验,数据处理,甚至是最终文章的排版,不禁感叹这才是大家之作。虽然我不指望能够发表到这张级别的期刊,但是这般严谨的科研和学术态度是不可缺少的。所以又针对之前不太理想的数据做了一些补充实验。再就是,师兄提出,要想做出一些有深度的研究成果,严谨的原理性分析和推导也是不可或缺的,单靠fancy的实验结果和实验现象终究太过肤浅,所以我本周也阅读了大量文献,试图能够从原理层面去解释现有的实验现象,而不是单单做出一些酷炫的实验现象,这样的实验结果终究难登大雅之堂。另外就是有关利用环形磁场与光场耦合来控制ferrofluid,从而制作一个能够实验自循环散热系统的想法,也需要设计相应的实验来验证这个猜想,由于实验室没有现成的setup,所以究竟应该如何设计实验,搭建setup也需要好好思考一下。另外,通过几天的查阅文献,发现这应该是一个比较新兴的研究方向,貌似之前还没有人研究过,这也给了我很大的动力。

 另外,为了庆祝课题组博士师兄阶段性考核通过,又恰逢他过生日,所以大家在周末去他家开party,虽说是去给他庆祝生日,但是他为我们准备了满满一大桌饭菜,无论口味还是卖相都令我惊叹这竟然出自一名天天呆在实验室的师兄之手。想想自己除了会煮个方便面,微波炉热个三明治在就啥也不会了,不禁担心以后自己出来读书会不会被饿死。

      周五与导师请来的国内胶体与界面化学方面专家郑教授一起共进午餐,并就一些课题问题进行了探讨。通过与郑教授的探讨,我学习了一些新的有关表面活性剂方面的理论知识,同时,对接下来的实验计划也有了新的思路,不禁再次感叹在做科研的过程中,合作与探讨的重要性,因为没有人能够做到在所有领域都是专家,所以最明智的做法,就是要学会站在巨人的肩膀上,这样才能看的更远,有更过阔的视野和思路,同时也能够节省自己的时间和经历,取长补短,及时了解当下不同领域的热门话题已经研究进展,通过合作少走弯路,集百家之长。

 

UH实习日志|李宛泽

 周一是UH新学期的第一天,最大的感受就是人一下子就多了起来,原本连中午都空空荡荡的食堂,餐厅,几乎全天都是人满为患。因此,中午不得不一连找了好几个馆子才发现一个人相对不那么多的。另一方面,因为要去上课,实验室里倒是冷清了许多。

           后来我又测试了一个新的溶解展开结构,但是结果不是太好,原因应该是连接处过薄,很快就溶解了,导致整体结构垮塌,无法按着正常的情况溶解。另外,今天我还查阅了一些文献,网页,希望能找到关于自毁传感器的一些灵感,Becker教授比较倾向于采用化学方法实现溶解,但是一来化学并非我的兴趣与专长,二来我们的实验室也较为缺少类似的条件。我个人比较喜欢物理方法,例如加压,微型的爆破等等。

           周二上午与Becker教授面谈了一次,他认为现在研究方向有点跑偏了,之前一直在研究的溶解展开结构很难用在自毁传感器上面,因为溶解展开的过程太慢,而他希望这能够是一个瞬间发生并结束的过程。他打算让我先用少量的炸药进行实验,不过我需要先设计出一个防水外壳,触发炸药的方法,并确定实验的诸多细节。

周三上午搜集了一些有关自毁传感器的资料,目前我们的主要问题在于如何快速地将能够正常工作的电路销毁以及如何在保证传感器外壳拥有足够强度的情况下,快速地使外壳解体或溶解。可以采用化学方法但是我们没能找到一种材料,能抵御足够冲击,同时又能快速地被销毁。我考虑过采用钢化玻璃外包橡胶材料用来吸震,但是不清楚钢化玻璃是否具有足够的强度和耐冲撞性。

           最后,这周我又重新做了之前导师安排的关于溶解速度与表面积之间关系的实验,结果还是非常喜人的,实验结果与我们的预想基本上是一致的,采用增加内表面积结构的零件溶解明显加快了,溶解过程截图如下:

 

UH实习日志|关晨宇

 

 这一周的进展总的来说是不太顺利的,不过意外之余还是颇有些惊喜的。

周一开始就打算着按照上周教授对课题的修正意见重复进行第二次实验,恰好指导我的伊朗研究生又请假不在学校。盘算着自己可以尝试着独立进行实验,况且旁边还有印度小哥照看,也就开始摩拳擦掌搭仪器配溶液了。如我之前所说的那样,因为所涉及的实验都是纳米尺度的,过程中所有操作都必须严格按照计算结果来进行。于是我集中百分之一百二十的注意力在实验反应操作中,但却忽视了实验准备阶段和结束实验之后必需的基本操作。结果可想而知,虽然自己的初衷是好的,对实验原理也有了足够的了解,我的实验还是以失败而告终了。自信心受到打击之余,还给实验室带来了一定的损失。想来自己确实行动比较冒失,之后做实验还是力求稳妥一些得好。

 不过教授那边倒没有因为我的这个错误而降低对我的期望,相反倒似乎更期待我能做出点什么东西来。于是在周三我被喊到办公室被安排了第二个课题。这是一个由著名的半导体公司LAM Research corporation赞助的课题,主要目的在于探究如何利用电沉积技术在wafer上添加保护层从而避免其上Co金属的损失。在印度小哥的帮助下,我大概理解了实验的背景和难点。总体上来讲,我们需要在3-4个纳米的范围内严格控制电化学替换沉积的程度,稍有不慎就会造成沉积的空洞从而降低其导电能力并破坏掉整个wafer。所幸这个课题是由我和一个超级靠谱的印度小哥一起来完成的,因此还是期待满满的。

 

UH实习日志|梁子云

来到休斯敦已经有了四周得时间,在这四周中,我对机器学习有了一定得掌握并且已经开始通过pythontensorflow实现机器学习。

 首先我掌握了python的一些基本知识。学会了用python编基础的程序。然后重点学习了tensorflow

通过tensorflow完成了基本程序。并进行一些简单的学习。例子如下:

创建数据

首先, 需要加载 tensorflow 和 numpy 两个模块, 并且使用 numpy 来创建我们的数据.

import tensorflow as tfimport numpy as np
# create datax_data = np.random.rand(100).astype(np.float32)y_data = x_data*0.1 + 0.3

 

接着, 我们用 tf.Variable 来创建描述 y 的参数. 我们可以把 y_data = x_data*0.1 + 0.3 想象成 y=Weights * x + biases, 然后神经网络也就是学着把 Weights 变成 0.1, biases 变成 0.3.

搭建模型

Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))biases = tf.Variable(tf.zeros([1]))
y = Weights*x_data + biases

 

计算误差

接着就是计算 y y_data 的误差:

loss = tf.reduce_mean(tf.square(y-y_data))

 

传播误差

反向传递误差的工作就教给optimizer了, 我们使用的误差传递方法是梯度下降法: Gradient Descent 让后我们使用 optimizer 来进行参数的更新.

optimizer = tf.train.GradientDescentOptimizer(0.5)train = optimizer.minimize(loss)

 

训练

到目前为止, 我们只是建立了神经网络的结构, 还没有使用这个结构. 在使用这个结构之前, 我们必须先初始化所有之前定义的Variable, 所以这一步是很重要的!

# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法init = tf.global_variables_initializer()  # 替换成这样就好

 

接着,我们再创建会话 Session. 我们会在下一节中详细讲解 Session. 我们用 Session 来执行 init 初始化步骤. 并且, 用 Session run 每一次 training 的数据. 逐步提升神经网络的预测准确性.

sess = tf.Session()sess.run(init)          # Very important
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

 

其中,CNNRNN为两个重要的神经网络。CNN为卷积神经网络,卷积神经网络是近些年逐步兴起的一种人工神经网络结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种技术也被广泛的传播可应用. 卷积神经网络最常被应用的方面是计算机的图像识别, 不过因为不断地创新, 它也被应用在视频分析, 自然语言处理, 药物发现, 等等. 近期最火的 Alpha Go, 让计算机看懂围棋, 同样也是有运用到这门技术。

      IMG_256

不过这次是以加入一些数学方面的东西. 每次 RNN 运算完之后都会产生一个对于当前状态的描述 , state. 我们用简写 S( t) 代替, 然后这个 RNN开始分析 x(t+1) , 他会根据 x(t+1)产生s(t+1), 不过此时 y(t+1) 是由 s(t) s(t+1) 共同创造的。 所以我们通常RNN 也可以表达成这种样子  

      IMG_256

 

UH实习日志|熊雨琴

上周结束了机器学习的课程后,休斯顿大学也迎来了开学季,而我也开始应用所学习的知识,编写代码,训练数据。主要运用Tensorflow的一些包来调用,构建模型的结构。

Tensorflow 首先要定义神经网络的结构,然后再将数据放入算法中去运算和training

https://morvanzhou.github.io/static/results/tensorflow/1_4_1.png

因为TensorFlow是采用数据流图(data flow graphs)来计算, 所以首先我们得创建一个数据流流图, 然后再将我们的数据(数据以张量(tensor)的形式存在)放在数据流图中计算. 节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组, 即张量(tensor). 训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点, 这就是TensorFlow名字的由来.

deep learning 中经典的模型有CNN(卷积神经网络)、RNN(循环神经网络)等。

CNN卷积神经网络包含输入层、隐藏层和输出层,隐藏层又包含卷积层和pooling层,图像输入到卷积神经网络后通过卷积来不断的提取特征,每提取一个特征就会增加一个feature mappooling层也就是下采样,通常采用的是最大值pooling和平均值pooling,因为参数太多,所以通过pooling来稀疏参数,使我们的网络不至于太复杂。

RNN不同于CNN的地方在于,RNN的输出不仅与当前的输入有关还和之前的输入有关,也就是说在每一批数据输入时,之前的每一批数据可能都对当前的training有影响,并共同作用于输出。主要实现方法有LSTM等。模型主要有以下几类。

http://karpathy.github.io/assets/rnn/diags.jpeg

正如上图所示,one to one模型一般用于图像的分类器,one to many模型是连续的输出,可以用于图像提取出一段文本,many to one模型可用于一句话情绪的判断,输出分为积极或者消极,many to many模型有延迟的输出,可用于机器翻译。

UH实习日志|李昌

本周是来到休斯顿的第五周,本周的主要任务还是继续完成实验数据的收集。

 

上周末我和带我的师兄一起和导师做了一次汇报,主要汇报了一下目前实验的进展和存在的问题。整个过程持续了1个小时左右,我们一起针对我们的课题做了许多讨论。另外就是导师指出我的工作的不足之处,并希望我从下周开始逐渐完善实验体系,收集实验数据。其中让我体会最深的就是他指出我的几个实验做的目的性不强,应该在做之前仔细想想为什么做这个实验,而不是文章中有这个数据,我们也就做这个实验,要明白每一步是为了什么,而去做这个实验;另外一点就是做科研不能心急,要好好考虑每一步之间逻辑,不能东拼西凑。

 

本周四下午我们几个本科生参加了第一次组里的组会,导师对我们提出了一些要求和建议,包括科研和生活上的,实验室内和室外的,受益颇丰。我认为其中很重要的一点就是要学会Mind Skillcommunication skill,学会如何思考,这是非常重要的。周五的时候我又参加了一个seminar,主讲人是来自山东大学的一位全职教授,虽然没听懂多少,但还是感受了了一下美国seminar氛围。最深的体会就是要学会提问,,尤其是要敢于提问!

 

           

 

另外在生活上,我和几个师兄在周末去了附近的一个公园远足。不得不说美国人的生活太悠闲了,太会享受了。  

         

 

UH实习日志|张紫荆

本周是在实验室收获颇丰的一周。

    周一和郝放师兄一起向姚教授汇报了近期的实验进展,姚教授从实验设计的严密性的方面提出了许多的建议,并且提示我们接下来实验进行的方向,拓展研究的内容。本周我和师兄主要的工作内容为测算我们所研究的正极活性物质的离子导电率和电子导电率,并且和之前一个研究过的材料进行比较。我们通过文献阅读查出了测试离子导电率的对称电池结构设计方法以及电子导电率的电池结构设计方法,用两种方法分别setup之后在DC polarization的图像中算出导电率的数值,通过AC impedance 和堆成电池setup的方式综合来判断其离子电导和电子电导的比例及界面电阻的大小。

周四实验室开了一次大型的组会,迎接实验室的新人和欢送将要离开实验室的成员。首先邀请了学院的仪器的管理人员像我们介绍NMR的软件更新情况,接下来实验室的manager 郝放师兄向新成员介绍实验室的仪器安全负责人的调整,最后姚教授向新人讲述了在实验室的团队精神,我们在成为一个合格的学者的过程中应该培养自己好的的思维方式和沟通能力。通过应用自身的经历给我们这些年轻人上了重要的一课。

周六实验室成全齐聚一堂进行迎新和送老的聚会,聚餐结束之后一起去玩了密室逃脱的游戏,这是我第一次在美国玩密室逃脱,其中的线索提示有些与欧美文化相关确实有些难度,但是大家齐心协力来破解线索着实非常快乐。

这个星期因为各种活动和实验室的学长和教授有了多密切和深层次的交流,让我感悟颇深多,也对实验室有了更深的感情。我们三个实习生收到通知在项目结束之前我们要在组会上对自己的研究成果做出展示,这是一个挑战也是一次我们进不得机会,所以从现在开始我们也将以更高的标准要求自己为最后的项目展示做好准备。

 

 

 

 

 

常用系统与链接/LINK

湖北省武汉市洪山区珞喻路1037号 华中科技大学启明学院 邮编:430074   电话:027-87558300 027-87793421   传真:027-87793423  邮箱:qiming@hust.edu.cn