估计阅读时长: 30 分钟https://github.com/xieguigang/Moira LBM（格子玻尔兹曼方法）凭借其介观模型特性，在流体模拟领域展现出显著技术优势：其碰撞与迁移过程仅依赖局部数据，天然适配GPU并行计算，CUDA实现可达成10–100倍加速比；处理复杂几何边界时无需生成体网格，通过格点标记固体并配合反弹边界即可高效实现，尤其适用于多孔介质等场景；同时，通过扩展分布函数可灵活耦合多物理场，例如引入温度分布函数模拟传热，或采用伪势模型捕获多相流中的相分离现象。尽管在高速或高粘度流动中存在局限，但通过MRT算法优化及GPU硬件加速，LBM已成为微流动、多孔介质、多相流等复杂流体模拟的理想工具，在航空工程等领域已有成功应用案例，其应用前景持续拓展。 Order by Date Name Attachments frame-00093 • 2 MB • 451 click 2025年8月9日ffmpeg • […]
Thank you so much for your thoughtful and encouraging comment! I truly appreciate the time you took to read through…
已经写完了
A very inspiring pipeline for turning EC-based annotations into genome-scale embeddings. Great post! I really enjoyed the clear, end‑to‑end pipeline…
[…] 基于之前的一篇文章《TF-IDF与N-gram One-hot文档嵌入算法原理》的学习，我们了解到可以将生物序列通过分解为kmer，组成单词集合用来表示一个文档。从而将长度各异的生物序列嵌入为长读一致的数值向量，进而可以用于后续的各种数据处理工作中。在这里，假设我们将基因组中的所有基因提取出来，然后通过blast比对的方式将基因注释到对应的ec number编号，既可以将某一个基因组使用一个ec number的集合来表示。通过这样子的数据表示方法，我们就可以将任意一个大小各异，基因组成不同的基因组都嵌入为具有相同维度特征的数值向量用于机器学习建模之类的工作。 […]
I'm fine, thank you. and you?