企业官网建设流程全解析

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\_materials@163.comlammps_materials@163.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\_materials@163.comlammps_materials@163.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\ Studio+Moltemplate+PackmolMaterialStudio+Moltemplate+Packmol

1、建模篇（上）：OPLSAA力场参数之快速建模—MS+Moltemplate

2 、建模篇（下）：力场快速设置-AuToFF+Moltemplate

---

【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 tt+1 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Deepseek（DS）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，N8N，Dify，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