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
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。
数字时代的专注力管理：在信息洪流中重建深度思考的能力
探讨数字时代人类专注力下降的科学原因与应对策略，从认知神经科学和行为心理学角度剖析注意力经济的运作机制，并提供经过科学研究验证的实用方法帮助读者重建深度思考能力。
深度学习优化算法深度实战：从SGD到AdamW的自适应学习率全景解析
从SGD到AdamW的深度学习优化算法全景解析，涵盖数学原理、实战调优策略、最新优化器（Lion/Sophia）及前沿趋势
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。
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。
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。
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
从卷积神经网络到视觉Transformer：图像识别架构的范式转移与工程实战
系统梳理从卷积神经网络到Vision Transformer的架构演进：深入剖析CNN的归纳偏置与局限、ViT的核心原理与训练策略、Swin Transformer的工程革新，以及CNN与ViT在实际业务中的选型指南与推理优化技巧。
泛函分析深度实战：从赋范空间、巴拿赫与希尔伯特空间到压缩映射、正交投影、再生核希尔伯特空间与神经正切核的完整工程链路
深入剖析泛函分析核心——赋范空间/巴拿赫/希尔伯特、有界算子与算子范数、巴拿赫不动点、正交投影与Gram-Schmidt、里斯表示定理与RKHS、神经正切核NTK，配6段可运行Python代码连接现代深度学习
