寫過代碼的同學對 debug 的痛苦應該深有體會，debug 的時間往往遠遠超過實際編寫代碼的時間，最終卻發現只是一個意料之外的微不足道的錯誤導致了 bug。過了一段時間，重新使用這段代碼的時候，又出現了新的 bug， 但偏偏還不能怪別人，畢竟是自己寫的代碼，血壓上來了.jpg。程序説變量未定義那就真的是未定義，説變量類型不對那就是真的不對，總不能砸電腦吧。 有沒有什麼辦法可以減少和規避 bug
為了生產一個機器學習勢函數，你積累了大量的第一性原理數據，卻發現訓練模型的樣本效率不足，遷移性差。如此大的花費只能體驗“一次性”的機器學習分子動力學模擬 (MLMD)？這未免太貴了！ ChatGPT 等大規模語言模型的成功讓我們看到了“預訓練模型+少量新數據微調”解決這一難題的可能，勢函數生產能否參考此訓練策略進行？ 圖 1｜預訓練模型+
近年來，機理與數據的融合計算正快速發展着。機器學習作為數據驅動的計算方法，以其解決高維複雜問題的能力而聞名於世。它在視覺理解、自然語言處理等領域取得了重大突破。與此同時，基於機理的計算方法，如有限元模擬，在現代工業中起着至關重要的作用，廣泛應用於飛機、汽車、材料和新能源等行業。 有限元方法簡介與挑戰 有限元法（FEM，Finite Element Method）是一種為求解偏微分方程邊值問題近似解
Transformer 是 ChatGPT 等大語言模型的核心技術之一，而注意力機制是其的關鍵部分。但是，標準的注意力實現具有二次時間和內存複雜度，使其在長序列任務上變慢並消耗大量顯存。這限制了 Transformer 能夠建模的上下文長度，同時使得大尺度模型的訓練和推理時間延長。 FlashAttention: Fast and Memory-Efficient Exact Attention
