网站介绍：欢迎来到我的"数字实验室"

欢迎来到我的个人学术博客！

建立这个”数字实验室”的初衷，主要是为了搭建一个系统化的个人知识管理平台。在这里，我将打破传统纸质笔记的局限，主要进行以下两方面的内容分享与沉淀：

1. 🗂️ 科研笔记整理 (Research Notes)

科研是一个不断试错与迭代的漫长过程，好记性不如烂笔头。我将在这里记录日常研究中跑通的工作流、踩过的技术坑以及灵光一闪的思路。内容主要涵盖：

  • 深度学习与代码实践：如基于 PyTorch 的神经网络搭建、CycleGAN 模型的训练日志与调参记录。
  • 数据处理与分析：使用 Python 处理复杂的大气气溶胶数据，以及结合 OpenCV 等图像处理工具的实战技巧。
  • 微观重构与仿真：记录使用 Blender 进行微观颗粒物三维重建，并最终落地 Sim2Real 工作流的技术细节。

2. 📄 发表文章介绍 (Publications)

受限于学术期刊的严谨排版与篇幅，很多微观数据背后生动的”故事”无法完全展开。

在这里，我将对已发表的学术论文进行更具可读性的”扩展分享”。我以高分辨率的 SEM/TEM 电镜图、多角度的 3D 渲染图以及直观的数据图表，详细解读研究背景、实验设计及核心结论，让复杂的微观大气现象更加生动直观。

🧮 算法推导展示测试

在 Sim2Real 工作流中，为了让生成的电镜图像逼近真实分布，对抗损失函数（Adversarial Loss）的设计至关重要。其核心目标可以用以下数学公式表达：

$$ \mathcal{L}_{GAN}(G, D, X, Y) = \mathbb{E}_{y \sim p_{data}(y)}[\log D(y)] + \mathbb{E}_{x \sim p_{data}(x)}[\log(1 - D(G(x)))] $$

同时，对于气溶胶颗粒物的动力学直径 $d_a$ 与物理几何直径 $d_e$ 之间的换算，我们通常参考以下关系：

$$
d_a = d_e \sqrt{\frac{\rho_p}{\rho_0 \chi}}
$$

“在微观的视界里，洞察大气的演变。”

欢迎各位同行与感兴趣的朋友在此交流探讨！