update

docs/javascripts/mathjax.js

@@ -1,10 +1,11 @@
 window.MathJax = {
   loader: { load: ["[tex]/physics"] },
   tex: {
+    packages: { "[+]": ["physics"] },
     inlineMath: [["\\(", "\\)"]],
     displayMath: [["\\[", "\\]"]],
     processEscapes: true,
-    processEnvironments: true
+    processEnvironments: true,
   },
   options: {
     ignoreHtmlClass: ".*|",
@@ -13,8 +14,8 @@ window.MathJax = {
 };
 
 document$.subscribe(() => {
-    MathJax.startup.output.clearCache();
-    MathJax.typesetClear();
-    MathJax.texReset();
-    MathJax.typesetPromise();
+  MathJax.startup.output.clearCache();
+  MathJax.typesetClear();
+  MathJax.texReset();
+  MathJax.typesetPromise();
 });

docs/人工智能/d2l.md

@@ -0,0 +1,85 @@
+# Dive into deep learning
+
+## 0. Installation
+
+- Python 3.12 安装 NumPy 有 Bug，降级到 3.11。
+
+## 1. Intro
+
+- 机器学习是从经验中学习的算法。
+
+需要明白以下概念的含义：
+
+- 监督、无监督、自监督、强化学习
+- 监督学习所解决的：回归、分类、标注、搜索、推荐、序列学习问题
+
+本章还介绍了最新的人工智能发展趋势，如深度学习、自然语言处理、计算机视觉、强化学习、生成对抗网络等。
+
+!!! note "交叉：计算机体系结构"
+
+    本章也对人工智能和计算机计算能力的发展进行了比较。值得注意的是，RAM 的增长速度落后于数据集和计算能力的增长速度，因此现在的统计模型应当更加内存高效，也就是在访存期间做更多计算。作者提到，这也是多层感知机、CNN 等模型在上个世纪就已经被提出，但进来才得以广泛应用的原因之一。
+
+## 2. Preliminaries
+
+### Data Manipulation
+
+!!! note "`tensor`"
+
+    创建
+
+    ```python
+    torch.arange(12, dtype=torch.float32)
+    torch.zeros((2, 3, 4))
+    torch.ones((2, 3, 4))
+    torch.randn(3, 4)
+    torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
+    ```
+
+    属性：
+
+    ```python
+    x.shape
+    ```
+
+    方法：
+
+    ```python
+    x.reshape(3, 4)
+    x.reshape(-1, 4) # auto infer
+    ```
+
+    操作：
+
+    ```python
+    # 一元、二元运算都是 element-wise 的。
+    torch.exp(x)
+    x + y, x - y, x * y, x / y, x ** y
+    x == y, x < y, x > y
+    # 其他
+    torch.cat((x, y), dim=0)
+    x.sum()
+    ```
+
+    广播：
+
+    - 对于长度为 1 的维度，拷贝使得两个张量的维度相同。
+    - 执行 element-wise 运算。
+
+
+!!! note "其他"
+
+    ```python
+    id()
+    ```
+
+## 3. Linear Neural Networks
+
+### Data Preprocessing
+
+### Linear Algebra
+
+### Calculus
+
+### Automatic Differentiation
+
+### Probability and Statistics

docs/人工智能/index.md

@@ -0,0 +1,39 @@
+# 人工智能综述
+
+[AI Expert Roadmap](https://github.com/AMAI-GmbH/AI-Expert-Roadmap)
+
+在具体地进入人工智能的学习前，我们先来看看人工智能的发展历程，这对了解人工智能的发展脉络和其中的一些重要概念有很大帮助。
+
+!!! note "知识库方法 Knowledge Base"
+
+    将关于世界的知识用形式化的语言进行硬编码。计算机使用逻辑推理规则来自动理解这些形式化语言中的声明。
+
+人工智能早期解决对人类智力来说非常困难，但对计算机来说相对简单的问题，比如抽象和形式化的任务。例子有：IBM 的深蓝国际象棋系统。
+
+知识库方法遇到了困难，因为难以设计出足够复杂的形式化规则来精确地描述世界。最著名的知识库项目 Cyc 不能理解人在早上剃胡须：它知道人体的构成不含有电器零件，但由于人拿着剃须刀，它认为实体含有电器部件。因此它产生疑问：人在刮胡子时是否仍是一个人？
+
+!!! note "机器学习 Machine Learning"
+
+    系统具备自己获取知识的能力，能够从原始数据中提取模式。
+
+    主要使用数理统计方法。
+
+由人从数据中提取特征，将数据处理成结构化的形式，然后让机器学习算法从中提取模式。
+
+但是，有很多任务我们很难知道如何提取特征。比如检测照片中的车，使用轮子作为特征吗？但图像可能因场景而异，轮子可能被遮挡，或者车可能是在水中。
+
+!!! note "表示学习 Representation Learning"
+
+    用机器学习来发掘表示本身，学习到的表示往往比手动设计的好。
+
+    !!! note "自编码器 Autoencoder"
+
+        由编码器函数和解码器函数组成，编码器将输入数据映射到表示空间，解码器将表示空间映射回原始数据空间。期望是输入数据经过编解码器后尽可能多地保留信息，同时希望新的表示有各种好的特性。
+
+!!! note "深度学习 Deep Learning"
+
+    一种机器学习技术，它使用神经网络来学习数据的表示形式。
+
+    !!! note "前馈深度网络/多层感知机 Multilayer Perceptron"
+
+        一种最简单的神经网络，由多个神经元组成的多层结构。

docs/科研/草稿.md

@@ -0,0 +1,25 @@
+# 草稿
+
+## 文献综述
+
+!!! info "[东南大学图书馆：如何写好文献综述](http://www.lib.seu.edu.cn/upload_files/file/20220523/_20220523153114.pdf)"
+
+### 内容
+
+文献综述的内容一般包括该研究领域的：
+
+- **研究现状**：包括主要学术观点、前人研究成果和研究水平、争论焦点、存在的问题及可能的原因等。
+- **发展趋势**：新水平、新动态、新技术、新发现、发展前景等。
+
+文献综述需要对以上内容进行**行综合分析、归纳整理和评论**，并提出**自己的见解和研究思路**。
+
+文献综述的目的是帮助读者确认该论文所研究的问题**与以往同类或同领域论文相比较所具有的价值**及在选题或研究内容与方法上**是否具有创新性或新的进展**。
+
+### 结构
+
+按时间顺序、研究主题、研究方法、学术流派等。
+
+- 时间顺序：最早研究该主题的文献是什么？这个研究领域随着时间的推移是如何变化的（以及为什么）？最新的发现是什么？
+- 研究主题：研究人员使用的中心主题和类别是什么？有哪些证据来证明这些主题？
+- 研究方法：哪些方法在这个领域已经被利用？哪种方法是最受欢迎的（以及为什么）？各种方法的优缺点是什么？现有方法如何为我的研究提供参考？
+- 学术流派：已有研究的主要学术流派和观点是什么？观点之间存在怎样的逻辑关系？

docs/草稿/硬件和接口.md

@@ -2,5 +2,5 @@
 
 ## VGA
 
-- 8x16 ASCII 字体数据是这样存放的：![digital_logic_vga_font_data](.\digital_logic_vga_font_data.png)
+- 8x16 ASCII 字体数据是这样存放的：![digital_logic_vga_font_data](digital_logic_vga_font_data.png)
 - 更多字体显示：[MultiFont](https://newhavendisplay.com/content/app_notes/MultiFont.pdf)

docs/草稿/量子信息基础/lec4.md

@@ -0,0 +1,31 @@
+# 多量子比特和量子纠缠
+
+## 张量积
+
+## 纠缠态和 EPR 佯谬
+
+## Bell 态中的信息
+
+- PPT：信息分布在两个量子比特之间（not local），任意单个量子比特不提供任何信息。
+
+要理解上面这一描述，课上采用计算期望值 $\braket{L}$ 的方法。
+
+1. $L$ 的特征值 $\lambda$，特征向量 $\ket{\lambda}$
+2. 把量子态分解到特征向量上 $\ket{\psi} = \sum_\lambda \ket{\lambda}\braket{\lambda|\psi}$，再应用 $L$
+3. 再测量，得到期待值 $\braket{L} = \sum_\lambda \lambda \mathrm{P}(\lambda)$
+
+!!! note "牢记：$\mathrm{P}(\lambda) = \braket{\psi|\lambda}\braket{\lambda|\psi}$"
+
+本质上就是带权（概率）的特征值求和。
+
+测量 Bell 态 $\ket{\psi} = \frac1{\sqrt{2}}(\ket{01}+\ket{10})$ 的第一个比特，我们对第一个比特应用由泡利矩阵生成的任意酉矩阵：
+
+$$
+(\vec{\sigma}^{(1)} \cdot \vec{n}) \otimes I
+$$
+
+计算它的期望值：
+
+
+
+## 密度矩阵

docs/草稿/量子信息基础/lec5.md

@@ -0,0 +1,19 @@
+# 量子系统随时间的演化
+
+本节课在线性代数上加强了难度。让我们再次复习相关概念。
+
+???+ note "Hermitian Operators"
+
+    定义：
+
+    - 自伴（共轭转置等于本身）：$A^\dagger = A$。
+        - 伴随矩阵 $A^\dagger$ 定义为：$\braket{A^\dagger|g}= \braket{f|Ag}$。
+
+    性质：
+
+    - 本征值都是实数。
+        - 位置、动量和能量等物理量是实数，因为它们都是 Hermitian 算子的本征值。
+        - 因此期待值也是实数。
+            - 结合内积的共轭对称性质，可以得到：$\braket{A} = \braket{\psi|A\psi} = \braket{A\psi|\psi} = \braket{\psi|A\psi}^* = \braket{A}^*$。
+    - 本征向量正交。
+

docs/草稿/量子信息基础/lec6.md

@@ -0,0 +1,5 @@
+# 量子电路
+
+!!! note "不可克隆定理"
+
+    无法完美复制一个未知的量子态。

docs/草稿/高级数据结构/temp.md

@@ -0,0 +1,4 @@
+# temp
+
+## 倒排索引 Inverted Index
+