关注M r . m a t e r i a l , \color{Violet} \rm Mr.material\ ,Mr.material,更 \color{red}{更}更多 \color{blue}{多}多精 \color{orange}{精}精彩 \color{green}{彩}彩主要专栏内容包括†《LAMMPS小技巧》 ‾ \textbf{ \underline{\dag《LAMMPS小技巧》}}†《LAMMPS小技巧》主要介绍采用分子动力学L a m m p s LammpsLammps模拟相关安装教程、原理以及模拟小技巧难度★ \bigstar★††《LAMMPS实例教程—In文件详解》 ‾ \textbf{ \underline{\dag\dag《LAMMPS实例教程—In文件详解》}}††《LAMMPS实例教程—In文件详解》主要介绍采用分子动力学L a m m p s LammpsLammps模拟相关物理过程模拟。包含热导率计算、定压比热容计算难度★ \bigstar★★ \bigstar★★ \bigstar★†††《Lammps编程技巧及后处理程序技巧》 ‾ \textbf{ \underline{\dag\dag\dag《Lammps编程技巧及后处理程序技巧》}}†††《Lammps编程技巧及后处理程序技巧》主要介绍针对分子模拟的动力学过程轨迹文件进行后相关的处理分析需要一定编程能力。难度★ \bigstar★★ \bigstar★★ \bigstar★★ \bigstar★★ \bigstar★。††††《分子动力学后处理集成函数—Matlab》 ‾ \textbf{ \underline{\dag\dag\dag\dag《分子动力学后处理集成函数—Matlab》}}††††《分子动力学后处理集成函数—Matlab》主要介绍针对后处理过程中指定函数进行包装方便使用者直接调用需要一定编程能力难度★ \bigstar★★ \bigstar★★ \bigstar★★ \bigstar★。†††††《SCI论文绘图—Python绘图常用模板及技巧》 ‾ \textbf{ \underline{\dag\dag\dag\dag\dag《SCI论文绘图—Python绘图常用模板及技巧》}}†††††《SCI论文绘图—Python绘图常用模板及技巧》主要介绍针对处理后的数据可视化并提供对应的绘图模板需要一定编程能力难度★ \bigstar★★ \bigstar★★ \bigstar★★ \bigstar★。††††††《分子模拟—Ovito渲染案例教程》 ‾ \textbf{ \underline{\dag\dag\dag\dag\dag\dag《分子模拟—Ovito渲染案例教程》}}††††††《分子模拟—Ovito渲染案例教程》主要采用O v i t o \rm OvitoOvito软件对L a m m p s \rm LammpsLammps生成的轨迹文件进行渲染难度★ \bigstar★★ \bigstar★。专栏说明订阅后可浏览对应专栏全部博文 ‾ \color{red}{\textbf{ \underline{专栏说明订阅后可浏览对应专栏全部博文}}}专栏说明订阅后可浏览对应专栏全部博文注意 \color{red} 注意注意如需只订阅某个单独博文请联系博主邮箱咨询。l a m m p s _ m a t e r i a l s 163. c o m \rm lammps\_materials163.comlammps_materials163.com♠ \spadesuit♠† \dag†开源后处理集成程序请关注专栏《LAMMPS后处理——MATLAB子函数合集整理》♠ \spadesuit♠† \dag†† \dag†需要付费定制后处理程序请邮件联系l a m m p s _ m a t e r i a l s 163. c o m \rm lammps\_materials163.comlammps_materials163.com建模篇分子动力学模型快速构建 \rm 建模篇分子动力学模型快速构建建模篇分子动力学模型快速构建M a t e r i a l S t u d i o M o l t e m p l a t e P a c k m o l \rm \color{red} Material\ StudioMoltemplatePackmolMaterialStudioMoltemplatePackmol1、建模篇上OPLSAA力场参数之快速建模—MSMoltemplate2 、建模篇下力场快速设置-AuToFFMoltemplate题目建模篇分子动力学模型快速构建 \rm 建模篇分子动力学模型快速构建建模篇分子动力学模型快速构建1、 [建模篇上OPLSAA力场参数之快速建模—MSMoltemplate](https://blog.csdn.net/qq_43689832/article/details/127913687)2 、[建模篇下力场快速设置-AuToFFMoltemplate](https://blog.csdn.net/qq_43689832/article/details/137957981)杂记【未完-更新较慢请谅解】杂记该博文主要记录学习AI技术尤其是在通过AI技术加速模拟甚至实现极大程度的“无人”化下因为目前AI技术的发展速度博主还未关注到有相关、系统的课程资料只用于记录博主的一些学习经历和思考所以就以博主遇到的具体问题来分析。在开始之前想谈一谈自己对于AI的一些体会博主在GPT-3.0的时候就开始关注大模型的发展主要用于处理一些文字工具论文润色翻译那时候对大模型的理解就是用维基百科等训练的一些文字工具即输出下一个可能出现的字的最大概率。也就是Transform架构为什么会出现这个架构呢为了解决长短期神经网络中只能串行处理数据的问题也就是知道t tt1 时刻的情况就必须要计算t tt时刻的数据这样也就无法利用N卡进行大数据训练。似乎在此之前从未有神经网络模型提到大数据训练由于梯度爆炸、串行等问题。但解决这个之后我们发现线性法则适用于大模型数据越大参数越多模型越大越好。这有点类似深度神经网络了神经网络套神经网络深度神经网络。此时出现的GPT在解决问题语言润色推理能力上均展现出巨大的潜力也从实验室彻底走出来了成为资本的新宠英伟达的卡也水涨船高。直到DeepseekDS的出现巨大的降低了训练成本并且史无前例的开源了模型。那时候记得Deepseek被接入各种平台各种应用这也是开源的独有魅力吧这时候异军突起的是初代的工作流N8NDify个人数据库等等逻辑也很简单把重复的、简单的、具有固定模式的工作给AI学习形成“工作”流。这时候至关重要的就是“提示词”甚至有了“提示词工程师“。因此我也开始了一系列的提示词研究原因也很简单不可能去实际训练一个大模型或者调节底层参数。我只能通过“提示词” prompt 用于微调大模型让大模型“向量匹配”过程更加准确。也看了很多教程和讲座那时候我高度认可人和AI相处的模式可以划分在下面的象限里。1、人知道-AI也知道的事情简单提问2、人不知道AI知道直接问3人不知道AI也不知道类似宇宙的便边界在哪里我认为这属于天才领域4、人知道-AI不知道例如撰写科研论文处理科研工作没有专门垂类在戈特定领域的大模型只能去微调因此这也是我研究的重点。开发了针对不同工作的“提示词”具体的效果还不错。中间因为个人原因搁置了一段时间的学习。后面猛追了一波C l a u d e C L I Claude\ CLIClaudeCLI等等。蒸馏模型是一个很有意思的工作就是我不知道模型A AA的训练过程但是我不断地去访问模型A AA并且得到回复认真记录再用这个过程去训练模型B BB得到模型A的蒸馏模型。但总体来说还是模型电力、工业设施直接决定了大模型的成本T o k e n TokenToken, 总的来说还是穷囊中羞涩~由于文字更新较慢改为B站更新开篇内容AI4Science分子模拟智能体搭建一开篇开篇内容AI4Science分子模拟智能体搭建二开篇AI4Science分子模拟智能体搭建三MD Exp智能体实战-储能材料动力学模拟复现
关注M r . m a t e r i a l , \color{Violet} \rm Mr.material\ ,Mr.material,更 \color{red}{更}更多 \color{blue}{多}多精 \color{orange}{精}精彩 \color{green}{彩}彩主要专栏内容包括†《LAMMPS小技巧》 ‾ \textbf{ \underline{\dag《LAMMPS小技巧》}}†《LAMMPS小技巧》主要介绍采用分子动力学L a m m p s LammpsLammps模拟相关安装教程、原理以及模拟小技巧难度★ \bigstar★††《LAMMPS实例教程—In文件详解》 ‾ \textbf{ \underline{\dag\dag《LAMMPS实例教程—In文件详解》}}††《LAMMPS实例教程—In文件详解》主要介绍采用分子动力学L a m m p s LammpsLammps模拟相关物理过程模拟。包含热导率计算、定压比热容计算难度★ \bigstar★★ \bigstar★★ \bigstar★†††《Lammps编程技巧及后处理程序技巧》 ‾ \textbf{ \underline{\dag\dag\dag《Lammps编程技巧及后处理程序技巧》}}†††《Lammps编程技巧及后处理程序技巧》主要介绍针对分子模拟的动力学过程轨迹文件进行后相关的处理分析需要一定编程能力。难度★ \bigstar★★ \bigstar★★ \bigstar★★ \bigstar★★ \bigstar★。††††《分子动力学后处理集成函数—Matlab》 ‾ \textbf{ \underline{\dag\dag\dag\dag《分子动力学后处理集成函数—Matlab》}}††††《分子动力学后处理集成函数—Matlab》主要介绍针对后处理过程中指定函数进行包装方便使用者直接调用需要一定编程能力难度★ \bigstar★★ \bigstar★★ \bigstar★★ \bigstar★。†††††《SCI论文绘图—Python绘图常用模板及技巧》 ‾ \textbf{ \underline{\dag\dag\dag\dag\dag《SCI论文绘图—Python绘图常用模板及技巧》}}†††††《SCI论文绘图—Python绘图常用模板及技巧》主要介绍针对处理后的数据可视化并提供对应的绘图模板需要一定编程能力难度★ \bigstar★★ \bigstar★★ \bigstar★★ \bigstar★。††††††《分子模拟—Ovito渲染案例教程》 ‾ \textbf{ \underline{\dag\dag\dag\dag\dag\dag《分子模拟—Ovito渲染案例教程》}}††††††《分子模拟—Ovito渲染案例教程》主要采用O v i t o \rm OvitoOvito软件对L a m m p s \rm LammpsLammps生成的轨迹文件进行渲染难度★ \bigstar★★ \bigstar★。专栏说明订阅后可浏览对应专栏全部博文 ‾ \color{red}{\textbf{ \underline{专栏说明订阅后可浏览对应专栏全部博文}}}专栏说明订阅后可浏览对应专栏全部博文注意 \color{red} 注意注意如需只订阅某个单独博文请联系博主邮箱咨询。l a m m p s _ m a t e r i a l s 163. c o m \rm lammps\_materials163.comlammps_materials163.com♠ \spadesuit♠† \dag†开源后处理集成程序请关注专栏《LAMMPS后处理——MATLAB子函数合集整理》♠ \spadesuit♠† \dag†† \dag†需要付费定制后处理程序请邮件联系l a m m p s _ m a t e r i a l s 163. c o m \rm lammps\_materials163.comlammps_materials163.com建模篇分子动力学模型快速构建 \rm 建模篇分子动力学模型快速构建建模篇分子动力学模型快速构建M a t e r i a l S t u d i o M o l t e m p l a t e P a c k m o l \rm \color{red} Material\ StudioMoltemplatePackmolMaterialStudioMoltemplatePackmol1、建模篇上OPLSAA力场参数之快速建模—MSMoltemplate2 、建模篇下力场快速设置-AuToFFMoltemplate题目建模篇分子动力学模型快速构建 \rm 建模篇分子动力学模型快速构建建模篇分子动力学模型快速构建1、 [建模篇上OPLSAA力场参数之快速建模—MSMoltemplate](https://blog.csdn.net/qq_43689832/article/details/127913687)2 、[建模篇下力场快速设置-AuToFFMoltemplate](https://blog.csdn.net/qq_43689832/article/details/137957981)杂记【未完-更新较慢请谅解】杂记该博文主要记录学习AI技术尤其是在通过AI技术加速模拟甚至实现极大程度的“无人”化下因为目前AI技术的发展速度博主还未关注到有相关、系统的课程资料只用于记录博主的一些学习经历和思考所以就以博主遇到的具体问题来分析。在开始之前想谈一谈自己对于AI的一些体会博主在GPT-3.0的时候就开始关注大模型的发展主要用于处理一些文字工具论文润色翻译那时候对大模型的理解就是用维基百科等训练的一些文字工具即输出下一个可能出现的字的最大概率。也就是Transform架构为什么会出现这个架构呢为了解决长短期神经网络中只能串行处理数据的问题也就是知道t tt1 时刻的情况就必须要计算t tt时刻的数据这样也就无法利用N卡进行大数据训练。似乎在此之前从未有神经网络模型提到大数据训练由于梯度爆炸、串行等问题。但解决这个之后我们发现线性法则适用于大模型数据越大参数越多模型越大越好。这有点类似深度神经网络了神经网络套神经网络深度神经网络。此时出现的GPT在解决问题语言润色推理能力上均展现出巨大的潜力也从实验室彻底走出来了成为资本的新宠英伟达的卡也水涨船高。直到DeepseekDS的出现巨大的降低了训练成本并且史无前例的开源了模型。那时候记得Deepseek被接入各种平台各种应用这也是开源的独有魅力吧这时候异军突起的是初代的工作流N8NDify个人数据库等等逻辑也很简单把重复的、简单的、具有固定模式的工作给AI学习形成“工作”流。这时候至关重要的就是“提示词”甚至有了“提示词工程师“。因此我也开始了一系列的提示词研究原因也很简单不可能去实际训练一个大模型或者调节底层参数。我只能通过“提示词” prompt 用于微调大模型让大模型“向量匹配”过程更加准确。也看了很多教程和讲座那时候我高度认可人和AI相处的模式可以划分在下面的象限里。1、人知道-AI也知道的事情简单提问2、人不知道AI知道直接问3人不知道AI也不知道类似宇宙的便边界在哪里我认为这属于天才领域4、人知道-AI不知道例如撰写科研论文处理科研工作没有专门垂类在戈特定领域的大模型只能去微调因此这也是我研究的重点。开发了针对不同工作的“提示词”具体的效果还不错。中间因为个人原因搁置了一段时间的学习。后面猛追了一波C l a u d e C L I Claude\ CLIClaudeCLI等等。蒸馏模型是一个很有意思的工作就是我不知道模型A AA的训练过程但是我不断地去访问模型A AA并且得到回复认真记录再用这个过程去训练模型B BB得到模型A的蒸馏模型。但总体来说还是模型电力、工业设施直接决定了大模型的成本T o k e n TokenToken, 总的来说还是穷囊中羞涩~由于文字更新较慢改为B站更新开篇内容AI4Science分子模拟智能体搭建一开篇开篇内容AI4Science分子模拟智能体搭建二开篇AI4Science分子模拟智能体搭建三MD Exp智能体实战-储能材料动力学模拟复现
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
