随机优化算法详解：模拟退火与 Pincus 定理
当优化问题陷于局部最优的迷宫时，确定性算法往往束手无策。本文将带你进入随机优化的世界，探索如何将寻找最小能量的问题转化为寻找最大概率的问题。我们将深入剖析模拟退火算法（Simulated Annealing）的物理直觉与数学原理，通过动态可视化展示其“高温探索、低温锁定”的优雅机制，并详细推导 Pincus 定理，从数学上证明为何退火算法能找到全局最优解。
[阅读全文]
🤖 AI 基础系列 / AI Fundamentals
为 Earth Observation (EO) 的应用与研究打下 AI 理论与方法的基础。内容覆盖机器学习、深度学习、自监督学习、生成模型、优化与可解释性等核心主题。
📂 子系列：
最新文章
确定性优化算法详解：梯度下降的数学本质与代码实战
确定性优化是理解现代 MCMC 算法（如 HMC, Langevin）的基石。本文深入解析了三种经典的确定性优化策略：牛顿法（利用曲率的二阶视角）、坐标下降法（分而治之的 Gibbs 前身）和最速下降法（贪婪的一阶探索）。通过数学推导与 Python 可视化，我们对比了它们在不同地形（凸面、狭长峡谷、强耦合）下的行为模式与收敛特性。
[阅读全文]
Gibbs 采样详解：分而治之的降维智慧
当高维空间让人无从下手时，Gibbs 采样采用了“各个击破”的策略。通过利用满条件分布，它将复杂的 N 维联合分布采样拆解为 N 个简单的 1 维采样。本文解析其直观直觉、数学证明（Brook’s Lemma）及代码实战。
[阅读全文]
Metropolis-Hastings 算法：打破对称性的束缚
原版 Metropolis 受限于对称提议，常在边界“撞墙”或高维迷路。MH 算法引入“哈斯廷斯修正项”，允许不对称提议（如 Langevin 动力学）并维持细致平衡，大幅提升效率。
[阅读全文]
Metropolis 算法详解：从原理到 Python 实现
Metropolis 算法是 MCMC 的基石。本文深入探讨其应对未归一化概率密度的策略，从随机游走机制到高维相关高斯分布的采样实战，提供完整的 Python 实现与可视化分析。
[阅读全文]
理解马尔可夫链
了解马尔可夫过程，以及马尔可夫链的平稳分布与收敛性
[阅读全文]
玩转 TerraMind：从理解到微调
TerraMind 是首个针对地球观测 (EO) 领域提出的大规模、任意到任意（any-to-any）生成式多模态基础模型，它通过结合令牌级别和像素级别的双尺度表示进行预训练，以学习高层上下文信息和精细的空间细节。该模型旨在促进多模态数据整合、提供强大的生成能力并支持零样本和少样本应用，同时在地球观测基准测试中超越现有模型，并通过引入“模态思维”（TiM）进一步提升性能。
[阅读全文]
MCMC 初识
我们之所以需要MCMC，是因为很多分布只知道未归一化形式，所以无法使用传统抽样/积分方法。而我们通过构造“正确的马尔可夫链”，就可以从它的平稳分布获得目标分布，即轨迹的长期分布 ≈ 目标分布。
[阅读全文]
蒙特卡洛方法
蒙特卡洛方法 = “随机试验 + 统计规律”
[阅读全文]
什么是概率？
本文介绍概率的基本概念与核心公式，是理解随机变量、采样与 MCMC 的基础。
[阅读全文]