• 20170714 Active-Matter Thermodynamics Under Pressure ... Is defining the equation of state for active matter merely of academic interest? For now, we don’t know. It could become influential if researchers are able to produce practically use- ful active materials or to extend the elegant experiments and theories that describe self-propelled …

Gromacs GAFF (Amber tool, GPL)

看起来很有帮助的详细教程:
Jerkwin 使用AmberTools+ACPYPE+Gaussian创建小分子GAFF力场的拓扑文件
文中有链接提供AmberTools+ACPYPE下载.

• 2019/11/04 (今日有两个重要发现) 1. (记住结论: 关于ratioree的误差, 提升perbin即可, 这可以放到prod去做, 当然mc move采样有硬伤perbin加大也很明显的case不行. 而norm阶段目标是快速准确得到DOS: 基于此, 20180101 zaxisfree保持; 使用 20191103 reptate_tether(对这个体系, 本身ratioree不好采样, norm iter最后几次ratioree仍有涨落差异, 最终prod多跑几个样本计算error bar即可, 想要进一步减小涨落只能未来考虑广义系综; 而且tether体系可以尝试不选w-3.0, 选w-5.0更好算而且要研究tether effect也更合理): 2019110x代码在最后几次迭代ratioree较为平滑一致的前提下, 哪个norm阶段收敛快用哪个.

• 此条在实战中有提升有降低, 据具体confine width而定, 不同width最优的mixMC ratio可能有差异. 计算结果中, iter ratioree有差异, 20180101更稳定(其实也依赖于perbin,这样看, 虽然20180102总耗时更少, 但要达到同样的ratioree迭代稳定度, 20180102可能总耗时更多). 而rw Cv 两种代码差异不明显. 有些案例虽然单个mcstep耗时减少 …

• KA Dill 2011 2ed molecular driving forces
  KA_Dill_2011_2ed_molecular-driving-forces.pdf (2018/11/18: 终于下载到了电子版, 开心! 可以直接在电子版上做笔记, 截图)
  

• z.cn上, KA Dill的书, DJ Wales的书都有kindle电子版出售.
  (DJ Wales的书或许未来可在bookzz下载)
  京东上有家 澜瑞外文, Doi的soft matter phys比亚马逊上便宜, 600多RMB, 或者我拿着电子版去打印, 书本身不厚.
  另外, 最新出版的 The theory of complex systems 在这家店也能买到, 900多RMB, 而amazon.com上60美元, 还是比京东上便宜很多. 可能京东购买或者找代购或者再等等?
  de Gennes的书已经有电子版. 纸版书很厚, 如果要看可以图书馆借阅.
  A …

目前使用 计算机程序的构造与解释 这本书

命令行输入: rlwrap mit-scheme

AlphaGo自我学习棋谱公开(每天10盘, 共50盘)

DeepMind publications

inside DeepMind (video)

DeepMind open source

open-sourcing DeepMind Lab DeepMind Lab is a fully 3D game-like platform tailored for agent-based AI research. ('agent-based' -> Netlogo?)

TensorFlow, Sonnet(TensorFlow-based neural network library) Sonnet Github page

DeepMind Github page (including several different repos)

DeepMind目前使用TensorFlow. 查找发现最近又有个PyTorch(说是更pythonic的东西, 但不清楚是否好用 …

最近AlphaGo与柯洁的对战又火了, youtube DeepMind视频地址: 柯洁对阵 AlphaGo：第三局 直播

知乎上关于物理与机器学习的专栏: 当物理与机器学习相遇

这个网页整理了很多关于物理与机器学习的论文: https://physicsml.github.io/pages/papers.html

机器学习与物理的结合能走多远, 还不是很清楚. 上面的论文有一些发现, machine learning可以区分order和disorder的构型, 对此我觉得并不稀奇. 定义一些序参量, 可以捕捉到相变信号, 这是物理行当中一直在做的事. 可能想要捕捉一些复杂体系的转变, 序参量难以定义时, 可以考虑尝试机器学习.

看新闻报道里说, 围棋棋盘是L=19, 19x19个格点, 考虑每个格点有两种状态, 这样总状态数是2^(19x19), 非常大, 而机器学习可以通过一些算法在其中找出最优的构型. 对此我觉得也不稀奇. 考虑统计物理里Ising model, Q-state Potts model的研究, 体系尺寸都已经做到了比19x19大得多, 而且还要考虑围棋上没有的周期性边界条件. 这些更大的体系, 现在都有Wang-Landau sampling/Multicanonical …

记录自己感兴趣的计算软件工具和方法, 未来可能学习使用. 人尽皆知的就不在这里记录了.

structure factor S(q) radial distribution function g(r) the relation between S(q) and g(r)

mean square displacement diffusion constant D

Umbrella Sampling

transition path sampling

IBM 关于Sphinx的入门文档