集成电路（IC）是信息产业的心脏，而其制造过程则是世界上最为先进的工业过程之一，根据我国工信部规划，在今后的十年里我国的IC制造产业的规模要增长到现在的两倍，产值接近2000亿元， 其间蕴含着巨大的发展机遇。然而，尽管技术水平先进的生产流水线能实现高度自动化无人运行，但纳米尺度下的工艺过程极为敏感，因此制造过程仍需要投入大量的人力与物力进行运维及改良，而面对晶体管器件微细化与产品组合多样化带来的复杂度与生产成本的爆炸式增长更是捉襟见肘。本项目旨在通过结合生产实际需求，运用先进的理论方法与技术手段，在IC制造过程数字化自动化的基础上实现“机械性”知识工作的自动化，从而释放工程团队50%~70%的时间用于更为重要的“创造性”工作，高效的解决实际工程问题。

集成电路制造过程包括数百乃至数千道复杂工艺，往往耗时两三个月以上，无论是物质成本还是时间成本都异常昂贵。而另一方面，集成电路制造自身高度的复杂性又决定了其研发过程必须以实验数据而非经验臆断为主导，因此集成电路产品的研发需要大量昂贵且信息反馈周期长的试产（流片）数据，导致集成电路制造过程本身成为了制约集成电路产品研发的关键瓶颈。集成电路虚拟制造指通过数字化的方式虚拟实现集成电路的制造（即集成电路制造过程的数字孪生），在集成电路产品研发中部分或完全取代实体流片，大幅度提升集成电路技术创新的效率与成功率，颠覆集成电路技术创新的传统模式。集成电路虚拟制造技术的研究包括但不限于集成电路制造工艺建模与仿真、基于深度神经网络的机理—数据混合建模及在线自适应自校正、集成电路制造虚拟化标准等多项交叉学科领域的研究。

集成电路工艺研发需要通过大量昂贵冗长的工艺实验获取关键数据，支持研发工作与决策，因此工艺实验的规划设计与数据分析的优劣，对集成电路制造工艺研发的水平有着决定性的作用。为了提高研发效率、提升工艺性能、降低研发成本，我们研究基于深度强化学习、迁移学习、主动学习等人工智能方法及人机协作方案来大幅度提升工艺实验设计及实验数据分析的水平，实现人工智能辅助集成电路工艺研发。

以人工智能算法为理论工具，以大数据解析为核心途径，以高性能计算为计算平台是本实验室关注的主要问题解决方案。本项目以在实际应用中出现的基础问题为出发点，研究以自监督学习、小样本学习、超高维稀疏工业大数据解析、以及边缘端异构并行计算为突破口的算法研究，进而开发相应的软件平台。

太阳能作为最理想的可再生能源，在全球中长期能源战略中占有极为重要的地位。太阳能聚光发电系统（CSP）将光能转换成热能用于发电，有显著高于光伏发电的转换效率以及提升空间，在大规模储热技术的配合下，可以提供稳定的高品质电能，是我国乃至全世界范围重点发展的可再生能源技术之一。本项目主要对CSP系统的聚光系统、热机及储能系统从设计、安装与运行层面以及系统整体进行控制与优化技术研究，特别是运用人工智能与大数据手段，通过数据驱动与机理模型深度结合的方式去解决在太阳辐射持续变化下短时与长时的变化预测、动态优化与模型预测控制问题。