前言：中文期刊网精心挑选了纳米科学论文范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
纳米科学论文范文1
本书汇集了2003年6月在墨西哥城举行的“物理学中当前所研究的问题”专题讨论会上所做的特邀演讲。这次会议是为了庆祝R・J埃利奥特教授75岁生日而举办的。R・J・埃利奥特爵士曾长期担任牛津大学理论物理系主任。作为一位科学家，他对理论物理学的发展作出了重要的贡献。在数十年的时间内，他发表了许多被引频次很高的科学论文。本书中的演讲都是由R・J埃利奥特爵士的研究助理、以前的学生、博士以及同事撰写的。他们之中的许多人象R・J埃利奥特爵士本人一样已经是第一流的科学家。
本书对现代凝聚态物理学和统计物理学的各个关键领域提供了一个非常及时与全面的综述。书中19篇原创性质的论文被分成了三个主要的领域，即无序与动态系统；结构与玻璃；电性质与磁性质。这些论文的作者中间就包括了像M・E・Fish-er，A・A・Maradudin，M・F・Thorpe，M・Balkansk，T・Fujiwara这样著名的科学家。因此本书非常值得一读。
本书的卷首是R・J埃利奥特教授的开幕式演讲“物理学中的有序与无序”。其余的文章被分成了三个部分，共19章。第一部分无序与动态系统，包含第1-5章。1 对有趣但与愿望相违球面模型的反思；2 向量自旋玻璃的相位转换；3 转换、动态特性与无序从平衡到不平衡系统；4 3分量2维生长与竞争交互作用的混合；5 混沌边缘玻璃状的动态特性。第二部分结构与玻璃，包含第6-12章。6 生命分子中的柔性；7 碳纳米管的点阵动态特性；8 由于运动约束的玻璃状特性，从拓扑学泡沫到巴加门；9 玻璃转变与急骤冷却效应；10 介质损耗作用及为玻璃形成中的驰豫寻求简单的模型；11 图灵模式构成理论；12 双八面癸基胺单分子层：非平衡相畴。第三部分电性质与磁性质，包括第13-19章。13 随机粗糙金属表面光反射二次谐波产生的多散射效应；14 大规模电子结构计算理论；15 对称磁团簇；16 维半导体量子线中的光学与费米界异常；17 利用畴壁激发探测多分子层中的磁耦合；18 量子渗透问题中的电子状态密度；19 熔化描述动力学作用构建中的功率项。
本书可供从事凝聚态物理及统计物理的物理学家及研究生阅读借鉴。
胡光华，高级软件工程师
纳米科学论文范文2
[关键词]社会网络分析专利
专利权人发明人
引文网络合作网络
[分类号]G350
社会网络分析(social network analysis，SNA)是对社会关系结构及其属性加以分析的一套规范和方法，在社会学研究中已经得到广泛的应用，然而，将社会网络分析方法引入专利分析的国内外研究工作相对较少。2008年，德国学者Sternitzke等指出，社会网络分析方法才刚刚开始进入专利分析领域，应用前景广阔：；Chang等指出，专利网络分析是一种先进专利分析技术，由Yoon和Park在2004年正式提出。
1专利引用网络研究进展
专利引用网络中的“节点”即各件专利；“连接”即在专利引用网络中各专利自引和他引的关系，包括引用连接和被引连接。Hsueh等指出，基于网络分析的引用分析是专利引文分析的一种替代方法。基于专利文献的引用关系，可以延伸出对专利权人和发明人之间的引用关系，以上专利文献、专利权人和发明人等的引川都可归类为“直接引用”网络；此外，还可以构建专利文献、专利权人、发明人等的共引、专利耦合网络等。
1.1专利引文网络
专利引文网络是专利引用网络研究的主体，可以用于研究不同学科主题之间的跨学科引用网络或学科内部的引用网络，包括随着时间发展的演进网络或知识流网络。例如，Wartburg等通过多级专利引文分析方法对技术演进进行了研究；Gress通过对1963―2002年美国专利的引文分析发现，随着时间的增长々利引用及专利数呈现出爆炸式增长，引文网络出现块状(clumpy)特征，即一些引文网络区域连线紧密，而有些区域则稀疏，其原因之一是由于不同学科类别之间存在引用关系，进而导致块状结构的形成。
目前针对专利文献引文网络中间中心性(betweeFt.ness)较高的节点的重要性研究还非常少见，直到近几年，在网络结构和演进层面的工作才逐步增多。Hung等在2008和2010年分别基于LCD和RFID专利，对专利引文网络的小世界现象的研究发现，专利引文网络确实可以成为小世界网络，此外，专利引文网络还具有幂律分布特征。
专利直接引文网络是一种有向网络，Smilkov等对美国专利引文有向网络的rich-club和page-club系数的研究发现，核心专利更倾向于被其他核心专利所引用。Bommarito等指出，专利引文网络是一种重要的无圈有向图(acyclic djgraphs)，对通过学术引用的思想传播、创新传播研究具有重要价值，他们利用距离测量(distance measure)和层次聚类算法(hierarchicalclustering algorithm)对美国专利动态引文网络进行了分析。
1.2专利权人引用网络
通过对专利权人的引用网络进行分析，可以检测核心专利权人、发现潜在竞争对手等。例如，Sternitzke等研究发现，LED领域专利权人引用网络分析可以用于解释专利权人的市场行为，如合作和专利侵权诉讼等。
通过专利权人耦合网络的研究，可以发现引用相同专利的专利权人组合，进而对不同专利权人进行分类。例如，Huang等利用专利耦合方法对台湾高技术公司的引用网络分析发现，可以将台湾高技术企业聚类成6大簇，包括半导体、计算机设备、扫描仪、笔记本／显示器、系统和IC设计／封装。
1.3专利引证络
早在1995年，Narin等通过针对美国专利引证科学论文的研究发现，美国技术与公共科学之间的关联越来越强；然而Meyer在2000年针对纳米技术的研究却发现，基于专利引文分析很难发现被引论文与引证专利之间的直接连接。但科学计量学界对此方面的研究热情却依旧不减，如Acosta等通过专利引证沦文对西班牙科学一技术流进行了研究。最近，有少量工作开始采用社会网络分析方法对专利引证论文进行研究，如Gao等采用社会网络分析方法，分析了美国专利数据库中的中国专利所引用的中国科技期刊共引网络。
1.4专利耦合网络
文献耦合研究最初用于论文研究，最早提出将文献耦合思想用于专利计量分析的是Narin，有代表性的工作包括：Huang等利用专利耦合方法对台湾高技术公司的引用网络分析；Kuusi等利用专利耦合网络对纳米技术领域的技术预测研究。
与专利耦合研究原理相近，Weng等在专利引用网络中引入了结构等价(structural equivalence)的概念，采用块模型(blockmodel)对专利进行分组研究。所谓结构等价，即指在专利引用网络中拥有相同位置的两件专利拥有结构等价性，此时拥有结构等价性的两件专利会被分到一个块(block)中，一般情况下拥有结构等价性的两件专利在技术上相近或拥有相近的知识基础。
1.5专利引用分析用于研究知识流
知识流研究包括三个层面：国家层面的知识流(macro)、工业层面的知识流(meso)和企业层面的知识流(micro)，目前研究较多的是macro和micro两个层面，如Shih等基于专利引用分析了国家之间的技术分布及知识流情况，而对meso层面的研究较少。
理解工业间的知识流有助于构建知识簇和设计国家创新系统(national innovation system，NIS)，知识流可以分为实体知识流(embodied knowledge flow)和无形知识流(disembodied knowledge flow)，前者通过包含新技术的机器设备或元件的购买进行流动，后者则通过人员流动和研究溢出而产生。基于专利引文的知识流分析则属于无形知识流的范畴，也是目前专利引文分析的一个重要研究领域，下面介绍两个富有代表性的研究成果。
Hu等采用双指数知识扩散模型研究东亚国家之间的知识流发现，在东亚7国或地区(中国大陆、香港、韩国、马来西亚、新加坡、中国台湾和泰国)中，中国台湾已成为东亚经济知识扩散的源头，韩国和新加坡对台湾专利的引用频率比对美国专利的引用频率更高，台湾对韩国专利的引用高于对日本和美国专利的引用，中国和马来西亚对台湾和韩国专利的引用高于对日本和美国专利的引用。
Igami等对纳米技术欧洲专利的引用演进网络进行分析发现，不同纳米技术子领域之间的知识流现象比较少，每个子领域的发展似乎更多地依赖本领域自身的推动。
1.6功能与作用辨析
尽管上述专利引用分析方法在一定程度上能反映
出专利文献、专利权人或发明人的技术影响力、研发竞争行为等特征，但如果要借助这些信息直接对机构的技术影响力进行判断，还需慎重。首先，尽管一些研究结果证明专利引用可以用于表征知识流，但也有针对专利引用分析作为专利分析指标的批评。其次，Alcacer和Gittelman强调，美国专利商标局和欧洲专利局的审查员在审查发明专利申请时的方法完全不同，从而对每件专利的相对引文数量产生了强烈的影响。而且，美国专利商标局与欧洲专利局所依据的不同法律也影响了专利引文的数量。Michel和Bettels指出，美国专利商标局的引用数量是欧洲专利局的3倍。最后，研究人员还发现，发明人更倾向于引用地理位置相对接近的发明人的专利，这也会影响到引用数据的变化。
2专利合作网络研究进展
2.1专利权人合作网络
度数相关性(degree correlation)是研究网络结构的有效_[具之一，lnoue等对日本专利权人的合作网络分析发现.专利权人合作网络的节点度数之间呈现零相关；此外，节点度数分布满足幂律分布特征，节点簇系数之间呈现负相关。
在研究网络的节点度数分布特征时，通常情况下，研究人员采用最小二乘法用于拟合和估算幂律分布的斜率，该方法有两个致命的瑕疵：①人们无法确定节点度数分布是否真正满足幂律分布；②无法确定哪部分分布符合幂律分布特征。为此，Clauset等提出了一种将最大似然法和基于K-s检验的适合度测试方法整合在一起的方法，首次解决了上述两个难题。
专利权人合作网络具有无标度网络的特征，在研究无标度网络的增长模型时，Barab6si和Albert在1999年提出的偏好依附模型(preferential attachmentmodel)最为常用，新节点选择现有节点进行连接的概率是n(k(mi)=k/∑=(mi)k(mi)，其中k(mi)，是节点的度数。基于此模型得到的节点分布函数满足p(k)。ck(h3)。然而，该增长模型并未考虑连接的距离因素，为此，Inoue等在2010年又采用对偏好依附模型的改良增长模型(gTowlh model)对日本专利权人合作网络的发展进行r研究。他们采用的算法是：从一个拥有m(mn)个节点的完整网络出发不断增JJIJ节点，增加m个连接，连接增加的概率公式为tl(k(mi)，d(mij))。ck(mj)/d(mij)，其中i代表新增节点，j代表已有节点，k(mi)是节点j的度数，d(mij)是节点i和j之问的地理距离，a和σ是常数。
2.2发明人合作网络研究进展
发明人合作网络的研究包括发明人在合作网络中所处的位置研究、发明人合作网络的小世界现象与创新的关系研究等。主要的研究方向包括以下几个方面：
・发明人合作网络的小世界现象。Fleming等采用多维分析方法研究发现，发明人之间合作网络的小世界现象促进了科技创新。Chen等通过对1975-2006年16个国家的美国专利研究发现，主成分的规模越大将明显增强国家的创新生产力，发明人合作网络的小世界现象有助于国家创新，但这种正而作用仪限于一定范围内，超过这个范围则起到反作用.此时路径长度与创新产出能力成反比。
・发明人合作网络的地理空间分布差异性及关系研究。Wilhelmsson发现，发明人合作网络的空间分布具有非均一性，其空间分布受就业密度和产业多样性影响，在人口密集、产业多样性丰富的区域更易形成发明人合作网络。然而，市场规模却对发明人合作网络有负面影响，在大都市地区发明人合作网络相对减弱，人口稠密区的研发人员不仅倾向于更多的合作，而且还会和空间距离更远的合作者进行合作。
・有关发明人合作网络的研究被用于分析不同簇的拓扑学特征。例如，He等对美国新泽西州和田纳西州电信企业的发明人合作网络的基本拓扑学结构和网络演进情况的研究发现，地理区间簇的拓扑学特征直接决定了发明人合作网络的特征；同时，发叫人合作网络的结构特征也会随着区域经济和社会条件的改变而变化。Lobo等采用社会网络分析方法对1977-2002年之间美国不同城市发明人之间的跨地区合作以及城市内发明人凝聚现象进行的研究发现，城市内发明人的凝聚现象对专利产出的贡献要明显强于发明人合作网络的结构特征。同时还发现，孤立发明人的凝聚对专利产出有正面促进作用，而合作网络的密度对专利产出起负面作用。
・在发明人合作网络分析中，更多的关注点集中在针对网络节点度数的研究上。特别是中心节点对知识传播所起到的关键作用，如中心节点对新的弱连接产生的影响等；反过来也可以通过发明人合作网络的社会网络分析，发现中心节点，包括度数中心节点、邻接中心性节点和中间中心性节点，位于中心节点位置的发明人多数都是优秀的工程师，他们位于内部交流网络的核心位置。例如，有研究发现，位于不同发明人团队之间或研发部门之间的中间发明人具有更高的々利产出数及被引频次。说明处于不同研发背景团队之间中介地位的发明人受益于团队问信息流所带米的益处，对其专利产出的数量和质量产生正面影响。同时发明人合作网络的中心性节点也具有更高的被引频次特征。Breschi等通过对科学家与发明人合作网络的分析，也发现了那些链接科学家合作网络与发明人合作网络两个簇的桥点在科技创新中的重要作用。
・基于发明人合作网络的演进分析是当前订的研究热点之一。Fleming等以美国1975-2002年的发明专利数据为基础，研究了硅谷和波士顿地区发明人合作网络的演进情况，发现硅谷发明人合作网络在1989年出现了急剧的聚集现象，而在波士顿地区的聚集现象则晚于硅谷，且聚集程度不如硅谷剧烈。通过与合作网络中的关键发明人进行面谈，发现硅谷新建公司间的持续人员流动促进了网络的快速聚集现象。该项研究采用逆向时间序列方法，采取敲除每件专利来观察成分的分裂指数(D)，进而分析发明人合作网络演进过程中起到决定性作用的专利。
2.3检测合作网络的转型
Betteneourt等在对8个科学领域从产生到成熟的作者合作网络进行演进分析时，引入了尺度指数(scaling exponent)的概念(edges=A(nodes)，其中为尺度指数)，用于评估合作网络的转型。虽然专利网络与络存在不同的特征，但将尺度指数引入专利合作网络的研究仍具有实际意义，Chen等在对中国科学院院属研究所的专利合作网络进行演进分析时，引入了尺度指数，研究发现，与上述Bettencourt等分析的8个科学领域不同，中国科学院院属研究所的
专利合作演进网络拥有更大的a值。
3专利主题网络研究进展
专利文献的分类体系，如国际专利分类号(IPc)、美国专利分类号(USPC)、德温特专利分类号(DPC)等是分析专利技术主题的主要切人点。
3.1专利主题词网络
Yoon等利用专利主题词向量的欧几里得距离计算专利文献之间的距离，建立专利间的关联关系，采用以下量化技术进行主题网络分析：
・技术中心度指数(technology centrality index，TCI)，用于发现整个网络或簇水平的相对重要专利。TCI，=c(mi)/(n-1)，(c(mi)=∑r，r指专利i的连接数，n指专利数目)。某专利的TCI值越高，说明该专利对其他专利的影响越大。
・技术周期指数(technology cycle time index，TCT)，用于测定整个网络的技术发展趋势。TCT。：Median((mj)){IT(mi)-T(mj)l，(T(mi)和T(mj)分别指专利i和j的申请日期)，TCT即两件相关专利i和j申请时间差的中位数。
・密度指数(density index，DI)，用于对不同的簇进行比较，发现每个簇的网络连接特征。DI=T/[n。(n(mc)-1)]，(T(mc)和n(mc)分别代表簇中连接和节点的数量)，DI测量的是每个簇的内部连接性。簇的DI值越高，说明拥有越多的连接技术包，反之亦然。
Chang等利用该算法研究了碳纳米管场发射显示器(CNT-FED)领域的专利聚类和发现核心专利。
3.2主题相似度网络
通过基于专利分类号的分布，可以计算不同经济体、不同地区和不同专利权人的技术相似度。例如，Hu等采用非向心相关性(un.centered correlation)来研究东亚不同国家之间基于美国专利分类号的相关性。
此外，Dou等基于欧洲禽流感专利，研究了各种相关lPC小类之间的关联强度。杨璧嘉等则基于IPC计算出专利之间的Pearson相关系数，再利用Paiek进行社会网络可视化，结果用于技术路线图研究。
4社会网络分析在专利分析中应用前景展望
将社会网络分析方法应用于专利分析中具有重要意义，根据本文的综述，笔者试提出未来专利社会网络分析的研究重点，供讨论：
・用于鉴别关键发明人或专利权人、发掘竞争对手。通过专利合作、技术主题关联和引用网络分析，可以发现处于网络重要位置的专利权人或发明人，这些重要的节点可以是中心(度数中心或中间性中心)节点，也可以是桥点。此外，高被引专利可以用来评价专利丛林，引文网络中关系近的节点说明其技术相关，若在引文网络中相连的两个节点在合作网络中没有合作，说明二者存在高度竞争关系，若有合作则说明二者在联合研发新技术。
・专利社会网络分析在企业创新与管理研究中得到越来越多的关注，包括企业之间的竞争合作以及企业内部发明人之间的合作网络结构对创新的影响等。例如Paruchuri等发现，公司内部发明人合作网络中，发明人结构中心性与其对公司创新性的作用呈现倒“u”型关联关系，这种关系同时又受到公司所处的合作网络的中心性及结构洞的负调节。此外，su等采用专利家族的优先权专利网络对公司的专利组合(patent portfolio)进行了分析，服务于企业技术保护与实现战略目标。
・基于论文和专利之间的引用关系探讨科学向技术的转移仍将是一大研究热点。现有研究大多数尚停留在计量和统计水平，而缺少在网络结构和演进动力学水平考察科学向技术的知识转移的研究，这将是社会网络分忻在专利分析中的重要潜在应用领域之一。
・更多的专利数据来源将作为专利社会网络分析的数据摹础。现有有关专利网络分析工作大多数都足基于美国专利商标局(USPTO)的专利数据开展的，基于欧洲专利、日本专利、中国专利以及德温特专利的专利社会网络分析工作还比较少，属于待发掘领域。
・专利网络动力学及演进分析将是今后发展的重点，特别是专利引用网络以及专利权人合作网络动力学：及演进分析将是今后的研究热点之一。近期已经发表的儿篇文章中也正体现了这种趋势，包括Barber6等基于专利引用网络对技术演进(主路径)进行的研究；Lee等基于ICT领域专利数据开展的协同进化研究；Kegler等对机构合作网络演进的分析等。技术演进路径识别的算法研究与应用也将是专利演进分析的一个热点方向，如常见的搜寻路径连接数目(sPLC)算法和搜寻路径节点对数(SPNP)算法等，刘倩楠等利用SPNP(stochastic petri net package)算法对以太网技术演进路径进行了研究。
依托专利文献、专利权人、发明人等网络节点，借助合作、引用、共现、主题关联等关联算法，研究专利演进网络动力学特征的同时，开展网络演变的预测研究，特别是整合了多种关联因素来预测网络演进趋势的研究将是一种新挑战。
