机器学习势能（MLPs） 第一章 基础理论与核心概念 第二章 数据生成与训练集构建

机器学习势函数选型指南：从评估维度到实战部署

在计算材料科学领域，密度泛函理论（DFT）作为第一性原理计算的核心方法，因其高精度而成为预测材料性质与反应路径的基石。然而，其高昂的计算成本严重制约了其在长时间、大尺度模拟中的应用。机器学习势函数（MLP）作为一种新兴的代理模型，通过学习原子构型与能量、受力之间的映射关系，实现了接近DFT精度的快速预测，从而在分子动力学模拟和高通量材料筛选中展现出巨大技术价值。其核心在于平衡精度、效率与泛化能力。评估一个MLP，需综合考量其能量与原子受力的预测误差、计算扩展性、对未知构型的外推能力以及软件生态的易用性。例如

机器学习势函数驱动高压铋基材料高通量晶体结构预测实战

晶体结构预测是材料科学的核心挑战，旨在确定给定元素在特定条件下最稳定的原子排列。其基本原理是通过计算体系的总能量来寻找全局能量最小值。传统基于密度泛函理论（DFT）的第一性原理计算虽然精度高，但计算成本巨大，难以对浩瀚的构型空间进行系统性搜索。机器学习势函数（MLP）技术的出现，为解决这一瓶颈提供了革命性方案。MLP通过从DFT数据中学习原子环境与能量/力的映射关系，能以接近DFT的精度、实现成千上万倍的加速评估，其技术价值在于将高通量、无偏的全局结构搜索变为现实。这一技术特别适用于探索如高压等极端条件下的

【机器学习势能（MLPs）】第六章 高级应用与前沿方向 一

与常规机器学习势能不同，反应性势能需要特别考虑过渡态区域的数据采样，该区域通常具有较高的能量和独特的电子结构特征。构建高质量的RMLP需要采用主动学习策略，通过迭代地识别势能面描述不准确的区域并补充相应的量子力学计算数据，逐步提升模型在反应路径上的预测精度。对于复杂的反应网络，需要确保训练集包含多样化的反应类型、不同的化学环境以及广泛的构型空间采样。现代RMLP训练流程通常整合分子动力学模拟与量子力学计算，通过监控模型预测的不确定性来指导数据采样的方向，从而在有限的计算资源下最大化模型的泛化能力。

【机器学习势能（MLPs）】第五章 软件工具与生产部署

在训练框架层面，DeePMD-kit提供了深度势能的标准实现，MACE通过等变消息传递实现了高精度与效率的平衡，NequIP/Allegro在严格E(3)等变性约束下展现了卓越的数据效率，而QUIP/GAP及通用图神经网络为特定应用场景提供了多样化选择。模拟接口方面，ASE作为统一的Python抽象层简化了多框架集成，LAMMPS的原生MLP支持实现了大规模并行模拟，OpenMM和GROMACS的接口扩展了生物分子模拟的应用场景。这些工具与方法的协同应用，构成了现代机器学习势能工程化部署的完整范式。

【机器学习势能（MLPs）】第六章 高级应用与前沿方向 二

在原子体系语境下，正样本通常来源于同一结构的微小扰动版本或不同计算精度下的同一构型，负样本则来自不同化学组成或拓扑结构的样本。然而，涌现能力的可靠性存在边界，对于极端条件或罕见元素组合，模型仍可能给出物理不合理的预测，因此需要结合不确定性量化和物理约束进行审慎应用。掩码原子建模是其中具有代表性的方法，通过随机遮蔽输入结构中的部分原子信息，训练模型基于上下文环境预测被遮蔽原子的类型或位置，迫使网络学习有效的局部化学环境表征。每个网络成员从不同的参数空间区域收敛，集成方差反映了模型对特定输入的认知不确定性。

【机器学习势能（MLPs）】第四章 模型验证与性能评估

能量误差的计算需考虑系统尺寸归一化。能量-力联合散点图可揭示能量误差与力误差的相关性，识别模型在特定能量区域的系统性偏差。现代MLP在元素体系上的能量RMSE通常需达到亚meV/atom量级，例如石墨烯GAP模型可达 ≲0.5 meV/atom，钛MLIP为 0.5 meV/atom。迁移势垒通过NEB（Nudged Elastic Band）方法计算，MLP需准确复现DFT的最低能量路径（MEP）和过渡态能量。对于能量跨度较大的体系（如不同晶相），需报告相对于能量范围的百分比误差。

机器学习势能（MLPs）第三章 模型训练与超参数优化

通用机器学习原子间势（Universal MLIPs, U-MLIPs）在大规模多样化数据集上预训练，捕获跨化学空间的广泛相互作用模式。MACE-MP-0基于MACE架构，在Materials Project与 Alexandria 数据库的超过1亿个DFT计算结构上训练，覆盖89种元素。CHGNet采用图神经网络，整合电荷信息，在类似规模数据上训练。MatterSim结合等变Transformer与多任务学习，针对材料模拟优化。

人工智能技术白皮书 —— 你的AI入门手册

深入定义状态 (State, S)、动作 (Action, A)、奖励 (Reward, R) 以及状态转移概率 (Transition Probability, P)，构建一个完整的决策模型。强化学习是关于“决策”的科学，它让智能体（Agent）在与环境的持续互动中，通过试错和回报，学习一套能获得最大长期利益的最优行为策略。学习它，就是学习如何驱动机器的“想象力”。：一个迷宫地图，智能体（小机器人）在每个交叉口（状态）选择方向（动作），根据路径上的宝藏（奖励）或陷阱，更新自己的寻宝地图（策略）。

监督学习（Supervised Learning）的概念和示例

监督学习（Supervised Learning）是机器学习领域中最基本和最重要的学习方式之一，主要用于预测和分类任务。在监督学习中，算法学习的是从输入数据到输出结果的映射关系，这个过程是通过一组已知输入输出对的训练数据进行的，这些数据被称为“有标签”或“标注过的”数据。监督学习的核心思想是，给定一组输入输出配对（样本数据），算法通过学习这些样本数据之间的关联，找出一个模型（或函数），使得模型可以根据新的输入数据预测出相应的输出结果。

微软登录OAuth 2.0授权流程

OAuth 2.0是一个关于授权的开放网络标准，它允许第三方应用获取用户数据，是目前最流行的授权机制。微软身份平台支持OAuth 2.0授权码流程，使得客户端应用程序能够获得对受保护资源（如网络API）的授权访问。这一流程在保障用户数据安全的前提下，实现了应用的便捷登录与数据共享。当用户在一个支持OAuth 2.0的应用上，希望使用微软账号进行登录时，OAuth 2.0授权流程即被触发。

糖尿病预测（深度学习pytorch实现-最新）

本次做的项目是糖尿病的预测，也是来自kaggle上面的一个小项目。根据一个人的怀孕次数、血糖、血压、皮肤厚度、胰岛素指标、身体质量指数、糖尿病谱系指数、年龄等身体参数来预测一个人是否患有糖尿病。

【计算机视觉40例】案例08：石头剪刀布手势识别

计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面的案例（表情识别、驾驶员疲劳监测、识别性别与年龄等）。......

基于 AUTOSAR 的域控产品软件开发进阶探索

本文深入探讨了AUTOSAR架构在汽车域控产品开发中的进阶应用。首先从系统设计角度分析了AUTOSAR分层架构原理及其在域控产品中的优化部署策略；其次详细介绍了Davinci和EBTresos等主流工具链的特点与协同使用方法；然后重点阐述了ASPICE流程与功能安全/信息安全标准的实施要点；最后分享了多核车载芯片（如NXP S32G）的适配经验与优化实践。通过架构设计、工具运用、标准遵循和芯片适配四个维度的专业解析，为域控产品的AUTOSAR开发提供了系统性指导。

stm32h743 FM25CL64铁电存储器踩坑记录

调试FRAM经验总结： 1、跑完FRAM读写代码之后，逻分仪发现总线上只有简单、短暂的电平变化，明显不是SPI的通信数据。 （经提醒发现连片选拉高拉低都没有执行到位） 后来发现是因为片选引脚没有初始化，所以直接拉高拉低是无效的。 2、引脚成功初始化后发现CLK、MISO、MOSI数据仍不正常。通过加打印的方式发现跑到HAL_SPI_Transmit中之后还没有执行到写SPI数据寄存器的那一步就return了。 后来经提醒发现： 上图中的指针使用方式错误 后来又发现： 打印出来发现

FCTA/FCTB 前方交通穿行预警/制动系统技术规范

FCTA&FCTB前方交叉路口预警制动系统是针对十字路口和停车场等"鬼探头"场景设计的驾驶辅助系统。系统在自车速度0-40km/h范围内工作，通过角雷达和摄像头检测侧向来车.

如何通过Davinci Configurator来新增一个BswM仲裁规则

详细介绍如何通过Davinci Configurator来新增一个BswM仲裁规则。

ISP算法：宽动态HDR

动态范围（Dynamic Range）：在很多领域来表示某个变量的最大值和最小值的比值。在数字图像处理领域里，动态范围也被称为图像对比度，表示图像可以显示范围内，像素最大亮度值和最小亮度值的比值。 高动态范围图像（High Dynamic Range Image）: 可以反映真实场景中高动态范围亮度信息图像。 高动态技术：能自动调整图像动态范围的一种技术。该技术是一种利用计算机高速运算产生高

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟