國撥3.9億支持13個變革性技術研發，4項與醫學相關
【發布時間：2017.10.16 信息來源：中文站】
國撥3.9億支持13個變革性技術研發，4項與醫學相關
近日，國家科技部發布了《科技部關于發布國家重點研發計劃變革性技術關鍵科學問題重點專項2017年度項目申報指南的通知》（以下簡稱通知），通知明確，2017年變革性技術關鍵科學問題重點專項將圍繞化學鍵精準重構、超構材料、器官精確介觀測量、類生物體靈巧假肢、人工智能、新型太赫茲輻射源等方向部署13個研究方向進行，國撥總經費約3.9億元。
同時，《通知》提出，在同一指南方向下，原則上只支持1項，僅在申報項目評審結果相近，技術路線明顯不同，可同時支持2項，并建立動態調整機制，根據中期評估結果，再擇優繼續支持。如無特殊說明，每個項目下設課題不超過5個，每個項目所含單位數不超過10家。項目申報需具備相關研究基礎，并曾獲得國家科技計劃支持且實施效果良好、具有重大應用前景。申報項目負責人需具有承擔國家重大科技項目的經歷。項目執行期一般為5年，申報項目特別需提出明確、有顯示度的5年總體目標和2年階段目標和考核指標（或研究進度）。項目實行“2+3”分段式資助，在項目執行2年左右對其目標完成情況進行評估，根據評估情況確定項目后續支持方式。
此外
，《通知》還規定了詳細的申報資格，比如：政府機關不得牽頭或參與申報，項目（課題）負責人須具有高級職稱或博士學位，受聘于內地單位的外籍科學家及港、澳、臺地區科學家可作為重點專項的項目（課題）負責人，全職受聘人員須由內地聘用單位提供全職聘用的有效證明，非全職受聘人員須由內地聘用單位和境外單位同時提供聘用的有效證明，并隨紙質項目預申報書一并報送。
項目（課題）負責人限申報 1 個項目（課題）；國家重點基礎研究發展計劃（973 計劃，含重大科學研究計劃）、國家高技術研究發展計劃（863 計劃）、國家科技支撐計劃、國家國際科技合作專項、國家重大科學儀器設備開發專項、公益性行業科研專項以及國家科技重大專項、國家重點研發計劃重點專項在研項目（含任務或課題）負責人不得牽頭申報項目（課題）。國家重點研發計劃重點專項的在研項目負責人（不含任務或課題負責人）也不得參與申報項目（課題）等。
在此次的申報重點專項中，其中有4項與醫學相關，它們分別是：完整器官三維結構與功能信息的精準介觀測量、人體器官芯片的精準介觀測量、面向生物醫學應用研究的新型太赫茲輻射源、類生物體靈巧假肢及其神經信息通道重建。
1、完整器官三維結構與功能信息的精準介觀測量
研究內容：針對生物醫學前沿科學問題，發展精準介觀測量新原理和方法，突破現有研究手段在大體積樣本中難以進行高分辨率三維測量的瓶頸問題，實現重要器官內多維生命科學大數據的高精度獲取、重建與可視化。進而，在具有代表解剖結構、組織特征和生理病理狀態的輔助坐標或注釋中，可視化展現完整器官內不同類型細胞的結構與功能圖譜。
2、人體器官芯片的精準介觀測量
研究內容：探索人體器官芯片生化特征介觀測量與表征新原理與方法，從分子、細胞到組織、器官甚至系統的多個層次，建立具有多參數、多維度、多模態的高分辨率在線精準檢測手段，以實現對微器官的實時監控和對微結構仿生狀態的客觀評估，并研究器官芯片的模型特征，驗證其與人體組織的相似性，為藥物篩選和疾病治療提供技術支撐。
3、 面向生物醫學應用研究的新型太赫茲輻射源
研究內容：面向太赫茲波生物效應及檢測等生物醫學應用，探索自由電子與新興材料及新型結構互作用產生太赫茲輻射的物理機制，揭示變革性太赫茲輻射的基本規律，突破傳統太赫茲輻射源的技術瓶頸，產生寬頻帶可調諧、大功率、連續波小型化和具有一定無衍射長度的相干太赫茲輻射。
4、類生物體靈巧假肢及其神經信息通道重建
研究內容：圍繞“再造人手功能”的科學目標，探索操作感知一體化類生物體靈巧假肢設計、制造、神經接口編碼解碼算法和神經接口硬件系統，及其與神經系統的信息通道重建方法，及神經智能與人工智能的融合與交互。重點研究基于軟體材料的靈巧假肢機構設計制造原理，神經信號的提取與解碼，人手運動信息的神經編碼規律與新一代神經控制模型，傳感信號的神經傳入機制及假肢的自然感覺功能再造方法，實現閉環的雙向神經接口，完成穩定和可以持續學習改善功能的能力。
此外，還有兩項與AI有關；
1、下一代深度學習理論與技術
研究內容：面向泛在（如移動計算）、高風險（如精準醫療）、高可靠性（如智能交通）等應用場景，突破深度學習理論基礎薄弱、模型結構單一、資源消耗過高、數據依賴性強的瓶頸。研究下一代深度學習基本理論；非神經網絡、資源節約型深度學習模型、方法及高效優化技術；適于小樣本 / 無監督樣本、強化 / 博弈學習的深度學習方法與技術。
考核指標：針對深度學習模型高度非線性、參數空間分層且巨大等復雜特性，建立一套揭示深度學習工作機理的理論框架、形成一組深度學習模型分析工具與方法；研制出一系列基于非神經網絡結構的新型機器學習模型、方法與技術，在深度學習模型可解釋性、高擴展性、易配置性上取得突破；提出存儲和計算資源消耗低的多種深度學習模型與方法，設計快速高效、適用于非凸深度學習訓練的新型梯度與非梯度優化技術，大幅提升深度學習技術部署能力；研制面向小樣本、無監督樣本、弱標記樣本、非單標記樣本的深度學習方法與技術，降低深度學習對于大規模高質量標注數據的嚴重依賴；研制多事件觸發的深度學習模型和技術，適應信息社會的開放環境和快速涌現的新現象；拓廣深度學習應用領域，提出適用于在線學習、強化學習、博弈學習的深度學習方法與技術。
2、 深度神經網絡處理器的新原理、新結構和新方法
研究內容：深度神經網絡已在多種云端和終端應用中起到了關鍵性支撐作用。然而，現有芯片遠遠難以滿足深度神經網絡的速度和能效需求，有必要探索能高效處理大規模深度神經網絡的新型處理器的設計原理、體系結構、指令集和編程語言；探索深亞微米工藝（≤16nm）及新型器件對深度神經網絡處理器設計方法的影響。研制新型深度神經網絡處理器芯片，探索全異步特征的極低功耗神經網絡架構。
考核指標：研制能處理大規模深度神經網絡（包含一億神經元和十億突觸）的深度神經網絡處理器樣片。該樣片支持國產深度神經網絡指令集，集成硬件神經元 / 突觸作為其運算部分，支持硬件神經元的時分復用，支持 Caffe、TensorFlow 和 MXNet 等主流深度神經網絡編程框架，能完成多層感知機（MLP）、卷積神經網絡（CNN）、長短時記憶網絡（LSTM）、循環神經網絡（RNN）、生成對抗網絡（GAN）和更快速的基于區域的卷積神經網絡（Faster-RCNN）等主流深度神經網絡的使用，實測能效和性能超過英偉達圖形處理單元（NVidia GPU）產品 M40 的 20 倍。設計深度神經網絡處理器的基準測試集，覆蓋語音、圖像和自然語言理解等應用。設計高效的深度神經網絡處理器核和片上互聯結構。研制面向深度神經網絡處理器的編程語言、編譯器和匯編器。研制面向深度神經網絡處理器的驅動和系統軟件。完成深度神經網絡處理器在超過 100 萬部移動終端中的應用部署，實現原來需要云計算才能處理的智能任務在移動終端本地處理。
來源：醫谷
