当AI遇上材料科学：机器学习如何加速新材料的发现革命
全面解析机器学习在材料科学中的革命性应用，涵盖材料表示学习、逆向设计、新能源材料、超导预测和碳捕集材料设计，展望AI驱动的材料基因组计划
深度学习
LoRA微调实战：从零实现参数高效微调
深入解析 LoRA（Low-Rank Adaptation）的数学原理与工程实践。涵盖核心直觉、架构设计、从零实现、训练流程、QLoRA量化微调、多任务管理、DoRA改进版，以及常见问题排查与调优指南。附完整 PyTorch 代码示例，帮助读者在消费级显卡上高效微调大语言模型。
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。
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。
从像素到感知：卷积神经网络可视化入门
深入浅出地讲解卷积神经网络可视化技术，涵盖卷积核可视化、特征图分析、Grad-CAM类激活映射原理及实战案例，帮助读者理解CNN的内部工作机制。
