欢迎来到
凯楽斯 kelesss の 聖教天堂¶
Krystals: Android 平台轻量化 CIF 晶体编辑器
像 vesta 一样在移动平台便捷地查看晶体！
查看 Krystals 页面 · 下载测试版 v0.7.2
最近更新的页面¶
Classical
SchNet – A deep learning architecture for molecules and materials 分子嵌入表示领域的开山之作。不得不品鉴的经典啊。 基本思路：把一个分子用核电荷张量和位置张量表示。原始的数据是 为了保持不变性（平移，旋转），这里 $r$ 用的是相对坐标。 首先先embedding 进 64维张量，之后进Interaction模块（有点类似于Attention），接下来就是各种加和给出最终能量值。 重点看交互模块。这里用到了连续滤波卷积cfvonv，但我暂时看不懂。 VAMPnets for deep learning of molecular kinetics 简单来说，就是先预测一条trajectory，之后不断通过给模型喂t时刻的坐标和$t+\tau$ 这个未来时间的坐标，让模型自己找关系。 先要了解Koopman理论，即对于一段时间 $\tau$ 的坐标演化 这里这个变换可能是非线性的。但如果改成某一个定义的observable
research-related
MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields 核心目的是怎么把旋转矩阵放到MPNN里表示。这里假设第 $t$ 层节点状态未 这里 $hi^$ 是一个抽象的学习特征。之后先池化，利用神秘消息函数 然后进行消息传递，用神秘更新函数 最后用读出函数读出位点能量 现在开始等变部分。我们知道旋转矩阵放到三维里是显然的，但是高维的特征怎么办呢。假设某一个特征的维度是 $2L+1$ 。所以我们希望作用旋转 $Q$ 后的整体 和其他分量加起来的行为相等 其实就是Wignar矩阵，但是我忘光了。我去补习一下。 MACE架构的核心就是多次分级展开。说实话这不就是类似团簇展开吗…… 这个神秘 $u$ 函数也是他娘的可以直接学习的量，$\nu$ 是神秘超参数
Vol1
BU-MBAR: A hybrid solution strategy for the MBAR equations 我看不懂。 SALTED: a symmetry-adapted machine-learning program for predicting electron-densities in molecules and materials Machine learning kinetics from molecular dynamics data
A
Alder ene reaction 反应式和反应机理 形式上烯烃亲核进攻缺电子烯烃后消除 分子间： ene小于DA 反应开始时活化能高，但一旦开始进行就很容易 分子内： ene 速率很快 可能经过双自由基机理： DEAD 与环戊烯，在几何上不利 轨道作用 可能经过逐步机理：加入 LA 若为羰基，生成醇类化合物（ Prins ），但如果是硫代羰基 , 生成硫醚 对于硫醇来说，一般经过自由基反应得到硫醚（ Thio-ene ）
量子多体理论 Quantum many-body theory
1. 又是产生湮灭算符 Fundamental Properties given $a$ as a non-hermitian operator. consider we need $\alpha \geq 0$，and we know we need $\alpha-m\geq 0$, so $\alpha$ must be integer. We redefine it as $n$ and represents number of particles for vacumm state we need that the ket is normalized, that we got and then we got the eigenvalue of upper&lower operator for $a\ket = 0$，we also have
量子统计物理
1. density matrix 对于混合态的作用算符 $\hat$ ，理论上计算期望得到： 插入投影算符 定义矩阵元 得到期望值 我们定义密度矩阵： 于是混合态期望可表示为： 后面的事情在基础量子就学过： 只有纯态是等号成立。作为一个例子，对于 对应密度矩阵
这是什么？¶
这是我（凯楽斯kelesss）在2025年9月25日想不开建立的一个个人网站，储存一些关于自己的笔记及想法，也欢迎大家查看或转载。你可以点击上方标签页（或移动端左上方选项）切换栏目：
如果你有兴趣，可以访问这个网站的Github仓库查看本网站的制作工具及代码。
kelesss是谁？¶
- 我就是凯楽斯（kelesss，ケレス），自我形象是紫色电视机📺里的小幽灵👻，主题色 #9966CC。
- 现实世界是神秘阴暗pku地雷(?)男大学生。化学系但什么领域都涉猎一点 ≡ω≡ 。伽马化学讲师。
- MBTI是INFP，荣格八维是 Fi > Ti ≈ Ne > Ni > Se > Te > Fe > Si ，算是INFP和INTP的混合型吧。
- 唯一的信仰是凯楽斯聖教，目前是凯楽斯聖教教主。
- PJSK主推 鳳（おおとり） えむ。
- 番只看纯爱番，本只看纯爱本。galgame什么类型都玩一点，喜欢柚子社（怎么你了）。
- 主要玩roguelike和卡牌和沙盒类游戏。Minecraft 10年老玩家。
- 狂热的社会达尔文主义者，认为一切社会资源优胜劣汰，最终人类文明发展的终点是抛弃人类进入格式塔意识。
- 还有神秘要素等待发现(?)
以下是我的一些联系方式：
- 我的Github主页（事实上我根本没发过什么）
- 我的Bilibili主页 & 直播间地址
- 我的个人q群（虽然很早创立，但几乎没什么人）
- 我的知乎首页
你也可以随时通过访问网站最下方的栏目获取这些信息。
我能做什么？¶
- 除额外说明外，本网站遵循CC BY_SA 4.0协议，这意味这你可以自由复制、分发、展示和演绎我的作品，只要你给予适当的署名，并在相同的许可证下分享衍生作品。
- 你可以使用Github账号对本网站的任何页面进行评论，评论区一般位于网站最下方。
- 通过我的联系方式，对本网站提出建设性意见。
- 查看“首页”分类下的投稿须知，联系我进行投稿。
- 赞助本网站的作者kelesss。喵呜♪(^∇^*)
谢谢！¶
感谢你看到这里，这或许只是这个网站的初始版本，有可能这个计划会一直坚持下去，有可能会半途而废，比较我的性格总是只有三分热度。那么无论如何，请探索这片区域吧！
国境の長いトンネルを抜けると雪国であった。夜の底が白くなった。信号所に汽車が止まった。
穿过县界长长的隧道，便是雪国。夜空下一片白茫茫。火车在信号所前停了下来。
——川端康成《雪国》