gyaradax：深度解析基于 JAX 的可微局部回旋动力学仿真框架
本文深度解析了 gyaradax——一个仅用 3000 行 JAX 代码实现的高性能、可微局部回旋动力学求解器，探讨其在 GPU 加速、自动微分及 AI 辅助开发方面的突破。
自动微分
AI 赋能的多体量子场论：基于计算图与深度学习的 Feynman 图计算新范式
本文深度解析了由 Hou 等人提出的 AI 驱动场论计算框架，该框架通过计算图、泰勒模式自动微分和归一化流 MCMC 彻底重塑了多电子系统的重整化与积分计算流程。
PySCF 十年征程：开源量子化学框架的深度解析与未来展望
本文深度解析 PySCF 项目十年来的技术演进，涵盖从周期性体系计算到 GPU 加速及自动微分的核心进展，是量子化学科研人员的必备指南。
端到端可微学习：构建适用于 DFT 和 LR-TDDFT 的统一交换相关泛函
本文深度解析了基于 JAX 的 IQC 框架，通过端到端可微工作流优化单一深度学习能量泛函，实现了对基态 DFT 与激发态 LR-TDDFT 的统一描述及分析一致性。
生成函数与自动微分：张量网络图求和的新范式
本文深度解析了《Generating Function for Tensor Network Diagrammatic Summation》一文，探讨了如何利用生成函数和自动微分技术，高效解决张量网络计算中普遍存在的图求和难题，从而开启量子多体系统模拟的新篇章。
AI驱动技术栈：解密多电子量子场论的计算瓶颈
本文深度解析一篇开创性论文，介绍了如何将AI技术栈（计算图、自动微分、神经网络）集成到多电子量子场论（QFT）计算流程中，以克服传统方法的计算瓶颈，并在均匀电子气（UEG）的有效质量计算中实现了前所未有的精度。
深度解析 WARPAX：利用 JAX 与自动微分攻克曲率驱动时空的观测者鲁棒性能量条件验证
本文深度解析了 WARPAX 工具包，探讨其如何通过 JAX 自动微分和梯度优化，替代传统离散采样法，实现对曲率驱动时空能量条件的观测者鲁棒性验证。
WARPAX：曲速驱动时空能量条件观测者鲁棒性深度解析工具
WARPAX是一个基于JAX、GPU加速的开源工具包，用于对曲速驱动时空进行观测者鲁棒的能量条件分析，它通过连续、基于梯度的优化取代了离散采样，并结合Hawking-Ellis代数分类，揭示了单帧分析可能系统性低估能量条件违规的范围和严重程度。
破局维数灾难：深度学习规模的精确离散随机模拟与梯度优化深度解析
本文深度解析了发表在《Science》级别期刊潜力的突破性工作：通过解耦前向模拟与反向传播，利用Gumbel-Softmax直通估计器实现了20万参数规模的精确化学主方程梯度优化。
量子蒙特卡罗的“原力”觉醒：基于 ph-AFQMC 自动微分的原子核梯度计算与机器学习加速策略深度解析
本文深度解析了 Jo S. Kurian 等人发表的关于 ph-AFQMC 核梯度计算的前沿工作，探讨了如何通过反向自动微分实现高效力计算，并结合 $\Delta$-学习策略在化学精度下完成过渡态搜索。