重整化群：从相变临界现象到深度学习的尺度不变性
深入探讨重整化群理论的核心思想、数学形式体系及其从凝聚态物理到量子场论、深度学习、复杂系统科学的跨学科应用。威尔逊的诺贝尔奖工作如何揭示自然界在不同尺度上的自相似结构。
深度学习
大语言模型LoRA微调实战：低秩适应技术的原理与工程实践
深入解析LoRA低秩适应技术的数学原理，提供完整的PyTorch+PEFT微调实战代码，涵盖QLoRA、DoRA、LoRA+等变种方案，并探讨多任务部署策略与发展方向。
重整化群与临界现象：从威尔逊到深度学习的普适性框架
深入探讨重整化群理论的基本原理及其在统计物理、凝聚态和深度学习中的普适应用，涵盖临界现象、标度律与深度学习的RG类比。
重整化群与临界现象：从威尔逊到深度学习的普适性框架
深入探讨重整化群理论的基本原理及其在统计物理、凝聚态和深度学习中的普适应用，涵盖临界现象、标度律与深度学习的RG类比。
注意力机制的演进：从Seq2Seq到Transformer的核心突破
从Seq2Seq到Transformer，深入解析注意力机制的核心思想、自注意力设计、多头注意力演进、稀疏注意力变体，以及Flash Attention等前沿技术。
Transformer架构的演进之路：从注意力机制到通用计算引擎
系统梳理Transformer架构从2017年诞生至今的完整演进脉络：从原始自注意力机制，到Encoder/Decoder架构分化，到MoE、线性注意力、状态空间模型等前沿方向。深入分析Flash Attention、RoPE、SwiGLU、DeepNorm等关键技术变革，并展望Transformer与SSM混合、推理时计算扩展、多模态统一等未来趋势。
重整化群与临界现象：从威尔逊到深度学习的普适性框架
深入解析肯尼斯·威尔逊的重整化群理论：从临界现象的标度律与普适性，到粗粒化变换与不动点分析，再到从凝聚态物理到QCD、深度学习的跨学科应用。涵盖ε展开、实空间与动量空间重整化群、张量网络重整化群、全息对偶等前沿进展。
AI驱动的气候建模：深度学习如何革新环境预测
探讨深度学习如何革新气候建模与环境预测，涵盖混合建模GraphCast、降尺度技术、极端事件检测、生成式AI气候情景模拟、LLM科学发现等前沿方向，展望AI气候科学的挑战与未来。
拓扑学深度实战：从拓扑空间、开集闭集与连续映射到紧致性、连通性、分离公理与基本群和同伦的完整工程链路
从点集拓扑第一性原理出发，用纯Python从零实现有限拓扑引擎，覆盖开闭集/闭包/内部/边界、分离公理、连续性、紧致性(Heine-Borel)、连通性、基本群与同伦，每段配可运行代码并映射到深度学习(流形假设/损失地貌/Mode Connectivity/拓扑正则化)
时间序列分析深度实战：从平稳性、自相关与偏自相关到 ARIMA、季节性分解、指数平滑与卡尔曼滤波的完整工程链路
从第一性原理出发，用纯numpy从零实现时间序列分析七条主干：自相关ACF、偏自相关PACF定阶、ADF单位根平稳性检验、差分ARIMA、加法季节性分解、Holt-Winters指数平滑、卡尔曼滤波最优估计，并以非线性自回归把时间序列与RNN/Transformer/状态空间模型(SSM)打通，每段配可运行代码并附本地实跑数值。
