神经网络

在所不辞兄

【零基础学智能仿真-69】综合项目——材料参数驱动的仿真研究本节通过材料与截面积联合筛选项目，整合参数记录、有限元计算、约束判断和报告生成。采用三组教学材料参数与三种截面积，逐一计算位移、应力和质量，寻找候选集内最轻可行方案；再将载荷提高20%，检查原结论是否仍成立。课程强调参数来源、单位一致、计算验收和失败记录，并用连续截面积分析说明离散最优的边界，为结业成果整理做好准备。

脉冲神经网络是什么：从 LIF 神经元到第三代神经网络的能耗优势核心结论：脉冲神经网络（Spiking Neural Network，SNN）是仿照生物神经元以「离散脉冲（spike）」而不是「连续数值」来传递信息的第三代神经网络。它最大的两个标签是事件驱动与极低能耗——神经元只在收到足够电流、膜电位超过阈值时才「发放一个脉冲」，多数时间不干活，所以理论上能比传统神经网络（ANN）省下几个数量级的运算量。代价是它很难训练（脉冲不可导），目前的精度普遍还追不上同等规模的 ANN。

【零基础学AI】第 21 章——神经网络怎样工作先给出两个数字 1 和 2，按几组权重算下去，得到 5.5。目标值是 4，当前偏高。调整参数后重新计算，一次更新就能得到约 3.733。这是本章神经网络实验实际发生的变化。

Product Hunt 热榜 2026-11-01：Specsight、SKI、telemetry.dev标语：为快速交付的团队提供产品可观察性，助力人工智能应用介绍：用人工智能加速发货？Specsight可以将代码更改转化为一个动态的产品地图、功能知识库和清晰的发布更新。这样产品、销售和支持团队就能保持同步，了解你的软件实际功能和变更情况。

AI和大模型—神经网络的学习网上现在狂推说AI要崩盘了，不管它，继续搞AI的学习。还是那句话，只有在灰烬上才能建起高楼大厦。没有毁灭，哪来的新生。 AI和大模型的底层，基础其实就是神经网络。大模型之所以叫大模型，原因就在于大字。而大家都明白，一下子掌握大很有难度。但可以从小开始，掌握原理，然后再一点点的扩大。至于能不能成为大模型开发者，除了个人的能力和意愿，更多还是机会和环境。

脉冲神经网络是什么：从LIF神经元到第三代神经网络的能耗优势核心结论：脉冲神经网络（Spiking Neural Network，SNN）是仿照生物神经元以「离散脉冲（spike）」而不是「连续数值」来传递信息的第三代神经网络。它最大的两个标签是事件驱动与极低能耗——神经元只在收到足够电流、膜电位超过阈值时才「发放一个脉冲」，多数时间不干活，所以理论上能比传统神经网络（ANN）省下几个数量级的运算量。代价是它很难训练（脉冲不可导），目前的精度普遍还追不上同等规模的 ANN。

在所不辞兄

【零基础学智能仿真-67】力学知识库与检索增强本节学习如何把力学公式、软件资料和历史案例整理成可追溯的知识库，理解检索增强的基本流程。通过均匀杆与变截面杆案例，掌握资料分块、条件保留、版本过滤和证据引用；用可运行的标签检索程序观察命中、误匹配与无证据状态，再以两单元杆件计算独立复核公式。课程同时介绍向量检索、混合检索和重排的作用，为后续本地仿真助手的工具调用打好基础。

机器学习之心

基于贝叶斯物理信息神经网络的矿产预测与不确定性量化，MATLAB代码及复现报告前段时间翻到一篇 2026 年发在《新疆地质》上的文章，常金雨、张楠楠、李平写的，标题是《基于贝叶斯物理信息神经网络的矿产预测与不确定性量化——以东天山铜镍矿为例》。

郝学胜-神的一滴

AI 编程智能体 17：四步搞定专属AI智能体还在觉得AI智能体开发高深莫测、门槛拉满？🤔很多新手入门大模型应用开发时，总被「智能体自主决策、工具调用、逻辑联动」这些名词劝退，觉得需要深厚的算法功底、复杂的代码架构才能实现一个可用的AI智能体。

深度学习23:PyTorch:搭建神经网络测试(查看参数,模型结构和device设置)在神经网络框架中，由多个层组成的组件称之为模块（Module）。在 PyTorch 中模型就是一个 Module，各网络层、模块也是 Module。Module 是所有神经网络的基类。

机器学习&神经网络系列教程上线为了给 LLM 算法做铺垫，让学习曲线更平滑，网站已更新经典机器学习和神经网络算法，可以在 AI 开发路线图查看：

在所不辞兄

【零基础学智能仿真-63】ABACUS作业工具与MCP接口本节承接弹性常数提取，学习把ABACUS计算整理为计划、提交、查询和收集四类工具，理解MCP在工具发现与调用中的作用。通过可运行的离线Python示例，练习参数校验、依赖清单、计划校验值与结构化结果，辨析计划、批准和实际执行的区别，并讨论重复提交、超时与结果验收。课堂不提交真实作业，为后续DFT结果解析与自动化工作流建立清晰边界。

SNN脉冲神经网络：全连接、卷积与循环SNN摘要：本文围绕脉冲神经网络（SNN）的网络结构设计展开，先回顾LIF神经元的脉冲发放与膜电位更新流程，再依次讲解全连接SNN、卷积SNN和循环SNN三种典型结构：全连接结构直观、组合灵活，但不显式利用局部空间结构且参数量随输入维度增长；卷积SNN保留局部连接与权重共享，同时叠加LIF状态更新，输出随时间变化的脉冲特征图；循环SNN通过反馈权重把历史脉冲重新送入当前层，与神经元自身的膜电位记忆形成两条不同的历史依赖路径。文章最后讨论SNN中使用池化、归一化和残差连接时需要明确的关键问题，包括处理对象、统计维

在所不辞兄

【零基础学智能仿真-62】从应变—应力计算弹性常数本节承接应力与数值收敛检查，以无预应力立方晶体为例，讲解如何通过正负小应变与应力响应拟合C₁₁、C₁₂和C₄₄。结合可运行Python程序与图示，辨析工程剪切与张量剪切，分析残余应力、拟合截距和应变区间对结果的影响，并进行立方晶体弹性稳定性检查。全部数据为明确标注的人工构造数据，用于验证计算流程，不代表真实材料的第一性原理计算结果。

第三章深度学习 -- 神经网络基础神经元模型。人工神经元(Artificial Neuron)是深度网络的最小计算单元,灵感来自生物神经元的「加权求和 + 激活」。数学形式为:

在所不辞兄

【零基础学智能仿真-61】DFT数值收敛与计算预算本节衔接体积—能量分析，区分电子自洽、基组与k点采样收敛，学习以能量、应力及最终物性共同判断数值可靠性。通过可运行的教学记录回放，识别首次通过与进一步确认的区别，比较8条和9条预算下的不同状态，并练习处理自洽失败、指标缺失和条件不一致。理解小应变下的误差放大，建立有阈值、有预算、有停止条件的检查计划，为下一节弹性常数计算做好准备。

weixin_46846685

让机器像视网膜一样“看”：事件相机与脉冲神经网络如何重构视觉感知要理解事件相机为什么重要，必须先看清传统帧式相机在原理层面的局限。传统相机以固定帧率工作——每秒30帧、60帧或者更高。无论场景中发生了什么，它都会机械地、均匀地曝光和读出每一个像素。这个模式带来了两个无法通过“优化”解决的矛盾。

从“撰写耗时”到“认知卸载”：企业邮件AI的效率边界与工程化路径摘要：企业电子邮件系统的智能化长期停留在垃圾过滤与规则分类层面，对“撰写”这一高认知负荷环节的介入十分有限。本文以知识工作者邮件撰写时间的结构性损耗为切入点，论证“AI每日节省40分钟”并非营销修辞，而是一个可工程化逼近的效率目标。在此基础上，本文提出亿邮邮件AI解决方案的技术路径：以意图识别为前置层、以上下文感知起草为核心层、以可控生成与审计为约束层，构建从“人写邮件”到“人审邮件”的认知卸载机制，并讨论其安全边界与度量框架。

上海理工大学 Sci. Adv.｜自旋解耦超表面赋能 D-D²NN：大容量方向依赖全光衍射神经网络全光衍射深度神经网络（D²NN）依托自由空间衍射干涉完成计算，将深度学习模型直接映射到光学物理层，具备低功耗、光速推理、天然并行的核心优势，是光计算、片上智能感知领域的主流技术路线。但长期以来，经典 D²NN 存在一个固有约束：一套衍射结构只能支持单一传播方向的固定任务，正向、反向光路无法独立配置功能，浪费了传播方向这一物理维度，限制了系统复用能力、集成度与信息容量。

深度学习8:神经网络学习5:随机梯度下降法(基本概念,基本原理)Epoch 1 个 Epoch 表示模型完整遍历一次整个训练数据集的过程。例如，训练 10 个 Epoch 表示模型将整个数据集反复学习 10 次。模型需要多次遍历数据集（多个 Epoch）才能逐步学习数据中的模式，单次遍历数据集（1 个 Epoch）通常不足以让模型收敛，多次遍历可以逐步优化模型参数。