华中大-2017伯克利交流之旅（7）

华中大-2017伯克利交流之旅（7）

作者： 发布时间：2017-08-21 点击率：122 编辑：文芳

伯克利暑期学术课程日志（8月7日）

今天的课程由一次lecture和一次seminar组成。上午的lecture主题是The Chemistry and Applications of Metal-Organic Frameworks，MOF（金属有机物骨架化合物）其实是一种与清洁能源、环境科技相关的新材料，由Kyle E. Cordova博士主讲，下午的seminar主题是Robotic, Yesterday, Today, & Tomorrow，由Xu zuo博士主讲。当然，除了两次课程之外，今天还发生了许多十分有意义的事。

上午，我们组随队7点40从酒店坐大巴出发前往伯克利分校。下车后有趣的是我们发现今天大多数人走向教室的步伐变得很快，可能是因为大家都想抢占前排学习吧，这几天大家真真切切地被伯克利学习氛围给感染了，对学习的热情变得愈发强烈。上午的课程是一节十分有趣的化学课，Kyle E.Cordova博士的讲课风格是活泼轻松的，他是在Berkeley Global Science Institute参与化学研究的一名伯克利博士。

图1 kyle E.Cordova在讲课

Kyle E. Cordova博士所理解的全球科学模式由导师、学生、研究机构等组成。这一模式的最终目标是建立一个可持续的循环，这个循环是学者积累知识成为导师，然后将他们的知识转移到其他新兴的学者身上。

图2 全球科学模式

随后，他开始讲解第一部分——MOF的化学构成。在他看来，所有的化学结构都由Joints和Linkers组成，MOF也是如此。

图3 MOF-177

图中的Zn4O(CO2)6是Joints，加上Ditopic Linker，再进行扩展便能根据扩展程度形成MOF-5、MOF-10、MOF-20。图中的黄色球部分便是可以容纳材料的空间，也就是pore。同理，不同的Joints,不同的linkers都将导致不同的化学结构与不同的容纳空间，便能通过结构实现不同的功能。而且，Pore Metrics可以很容易地被扩展下图是MOFs孔径的世界最纪录。

图4 World Record for the Largest Pore Apertures in MOFs

图5 TEM下观察的MOF

上图是在TEM中观察的IRMOF-74-VII (TEM是透射电子显微镜)，可以看出上面确实存在许多小孔。另外，没有限制的小孔会有超高的表面积，一克的MOF就能达到10000m2，相当于一个足球场。

图6 MOFs超高表面积的历史发展

上图是MOFs的表面积的不断突破，其中就有中国科学家的贡献，Kyle E. Cordova博士的研究目前达到的第二高，而且他说不就后还会有他们还会有新的突破。

接下来是第二部分，主要是讲MOFs的应用。

图7 MOFs在碳循环中的作用

我们可以从图中看出，MOFs可用于二氧化碳的存储与捕获，MOFs的二氧化碳储存能显著增加运输的储存能力，MOFs捕获二氧化碳的过程中可以从源点中选择性地清除二氧化碳, MOFs的结构特征对于增加二氧化碳的捕获同样是很重要的。

图8 MOFs在潮湿的环境下选择性捕获二氧化塔

从图中可以看出，在潮湿的环境下，MOFs同样可以很好地捕获CO2. MOFs同样可以利用太阳能量对二氧化碳进行降解，还可以作为选择性二氧化碳捕获和再使用的吸附剂。老师举了现实运用MOFs的一个实例，那便是MOF-filled Fuel Tank。MOFs同样可以用于吸附大量的氢用作燃料。可以说，MOFs可以应用于清洁能源相关的很多方面。

图9 MOF-filled Fuel Tank

而且可以用于饮用水资源的运输，据老师说，MOFs的主要优点是可以存储大量的气体，且需要更少的压力。但它也有缺点，就是linkers和Joints不能够完美的匹配。

Kyle E.Cordova博士深入浅出的讲解让我们初次系统地了解了MOFs的原理、方法、应用等，可谓受益匪浅，对前沿科技的了解再一次激发了同学们学习的热情。

下午Xu zhuo博士为我们讲述了有关机器人的知识，许卓博士来自清华大学，现在伯克利读Phd。他首先提到，机器人的历史始于周朝，一个叫偃师的人按照周穆王的样子制作了一个可以站立、坐下和操纵手臂的机器人。机器人的工业化已经很成熟了，世界第一大机器人公司fanuc每年可以生产400000台机器人。再比如现今机器人的技术应用也有很多了，例如中国的大疆无人机，伯克利正在研发的无人驾驶汽车，震惊人类的围棋高手alphago等等。

图10 xu zhuo博士在讲课

许卓博士主要从两方面来讲述了机器人：第一个是运动规划，其运用情景是操纵机器人做出反应，方法是通过一系列算法来实现，如Dijkstra’s算法、RRT算法，有以下三个需要考虑的方面：1、通过高斯模型记录轨迹特性来推理下一步动作 2、使用AND-OR图（AOG）来构造复杂策略模型 3、机器人做出这个动作的安全性，即是否安全。另一个应用场景是自动驾驶汽车，以安全为约束条件，运行RRT算法，更进一步的改进可以用模型预测来控制。

第二部分讲的是现在很火的深度学习和深度强化学习，深度学习是通过深度神经网络来实现的。深度神经网络，简单的来讲就是将采集到的信息（如图像里的像素）转化成矩阵的形式，输入到第一层，第一层采用卷积算法，第二层采用样本采用，第三层再采用卷积……这样经过几层后可以将一个例如32*32的图像输出为一个10*1的向量，在通过若干次训练这个网络以后，我们通过这个输出的向量机器人可以判断出所看到的景象。

图11 深度学习

在深度神经网络的研究路程上，vondrick等人运用深度回归网络的训练大量视觉数据来预测视觉表现。它们通过训练k网络，并交替更新参数和网络选择来加强预测的多模型性质。这个交替更新参数的方法，举个例子：例如step time 1我们有一副图像输入，那么我们可以通过它来预测后20s的动作来更新网络参数，经过1s后到了step time2，我们又取了一幅图像输入，那么这幅图像又预测后20s的动作来更新网络参数，又经过1s到了step time 3，我们还是取一幅图像作为输入，预测这以后20s的动作来更新网络参数，以此类推，通过这样的交替更新网络参数的方法，我们最终可以增强机器人对于所看到的景象的判断的准确性。

后来多纳休等人又提出了一个长期的递归卷积网络（lrcn）任务识别。这个网络是“加倍深刻”的（即它也可以增加对于所看到景象的判断的准确性），因为它可以学习空间和时间上的成分表示。

后面许卓博士通过视频为我们演示了一个意图推理任务，下面是这个任务的处理每个视频帧的网络。

图12 意图推理

通过图像我们可以发现在大概400个time step以后，这个深度神经网络已经可以明显判断出视频中人类的意图是plan11了。

图13 意图推理判断

在这之中还有一个小技术，那就是提前训练，使用提前训练模式大大加快了学习过程中的学习迁移，如下图，需要训练的仅仅是后面的一部分，前面的一部分早已训练好，是一个通用模型，那么我们所花的训练时间会大大减少，这也是训练这种深度神经网络中的一个小技巧。

图14 提前训练技术

最后，许卓博士向我们介绍了深度强化学习，机器人在每种state下有一个输入，包括相应的reward，对于这个输入有一个反应，即action，这个动作作用到环境中，环境又会产生相应的state和reward（反馈），再将这个新的state与reward输入，又可以产生新的action，这就是深度强化学习的概念。反馈的公式如下：

图15 反馈公式

深度强化学习采用了Q learning算法，其中的Q值就是在一个状态下执行一个操作时所产生的最大未来反馈。除此之外，深度强化学习还采用了policy gradient算法来减小误差，亦或是可以采用A3C算法，好像许卓博士最近也在研究这个A3C算法。这堂课，不论是从机器人还是深度学习的角度来说都让我们受益匪浅。

图16 Q learning 算法

今天的课程学习了许许多多关于前沿科技的知识点，这也正是我们小组来到伯克利分校参观学习的初衷，便是了解更多关于前沿科技的信息，以确定今后研究的方向，相信整个夏令营下来，我们都能清楚自己对于前沿科技的理解。

编辑：王子涵（材料15级）

作者：房莉（电气14级）、王子涵（材料15级）、王勇杰（航空16级）、张化昀（电信14级）、孙翔宇（电信14级）