围绕当代中国青年普遍存在的焦虑展开讨论，指出这种焦虑往往源于抽象化的恐惧和欲望，而非具体的现实问题。作者认为，这种困境部分归咎于从小接受的极端竞争教育以及互联网带来的信息过载，导致年轻人感到迷茫和无力。文章探讨了面对困境的三种应对方式：消极逃避（躺平）、解构一切以寻求虚假的掌控感，以及通过伤害他人来获得力量感。最后，作者建议年轻人关注自身的情绪和需求，尝试变得“不精致的利己主义者”，优先保护好自己的精神空间，以避免动机的抽象化，从而更具象地感受自我与世界。 1. 抽象可以，但抽象不行 | 老蒋

密度泛函理论（DFT）的实际应用介绍，文章指出DFT正在迅速成为物理、化学、材料科学和工程等领域解决各种材料建模问题的“标准工具”。它强调尽管有关于DFT理论基础的详细书籍，但对于不熟悉这些方法的新手来说，快速学习实际执行计算的工具仍然困难，因此本书旨在通过指导读者进行实际的DFT计算来填补这一空白。文中通过氨合成、金属脆化和行星形成等具体例子展示了DFT在解决用实验方法难以解决的科学问题方面的强大能力，并简要介绍了薛定谔方程和波函数理论等相关量子化学基础知识，同时明确指出了当前DFT的局限性以及本书将专注于平面波DFT方法，因为它适用于扩展固体材料。 1. Density functional theory: a practical introduction

HamGNN 的 E(3) 等变图神经网络 通过一种完全数据驱动的方法拟合分子和固体中 电子哈密顿矩阵。 与传统的机器学习模型不同，HamGNN 利用 E(3) 等变卷积 来构建哈密顿矩阵，从而严格遵循物理系统中固有的所有 等变约束。 与过去模型有限的 可迁移性 相比，HamGNN 在各种数据集上展现出卓越的准确性，并且经过训练的 HamGNN 模型可以准确预测训练集之外大型晶体（如莫尔扭曲双层 MoS2 和含位错缺陷的硅超晶胞）的 电子结构，显示出显著的 可迁移性和泛化能力。 在小型系统上训练的 HamGNN 模型可以作为 密度泛函理论 (DFT) 的高效替代方法，用于准确计算大型系统的电子结构。 1. Transferable equivariant graph neural networks for the Hamiltonians of molecules and solids 2. Accelerating the calculation of electron–phonon coupling strength with machine learning