一种与硬件无关的量子机器学习框架，支持自动微分。适用于通过梯度训练量子电路、构建混合量子-经典模型，或需在IBM/Google/Rigetti/IonQ等设备间实现跨平台兼容的场景。最适合用于变分算法（VQE、QAOA）、量子神经网络，以及与PyTorch/JAX/TensorFlow的集成。如需针对特定硬件的优化，请使用Qiskit（IBM）或Cirq（Google）；如需处理开放量子系统，请使用QuTiP。

使用MAFFT（多重序列比对）、IQ-TREE 2（最大似然法）和FastTree（快速NJ/ML）构建与分析系统发育树，并通过ETE3或FigTree进行可视化。适用于进化分析、微生物基因组学、病毒系统动力学、蛋白家族分析及分子钟研究。

专为速度和扩展性优化的高性能强化学习框架。当您需要快速并行训练、向量化环境、多智能体系统或与游戏环境（Atari、Procgen、NetHack）集成时，请使用本框架。相比标准实现，速度提升可达2至10倍。如需快速原型设计或需要详尽文档的标准算法实现，请改用stable-baselines3。

供应商中立的实验室自动化框架。适用于控制多种设备类型（如Hamilton、Tecan、Opentrons、酶标仪、泵）或需要跨不同供应商实现统一编程的场景。最适合复杂工作流程、多供应商配置及仿真环境。若仅使用Opentrons设备且有官方API，采用opentrons-integration可能更简单。

使用 PyMC 进行贝叶斯建模：构建分层模型、MCMC（NUTS）、变分推断、LOO/WAIC 比较、后验检验，用于概率编程与推断。

使用 pyzotero Python 客户端与 Zotero 参考文献管理库进行交互。通过 Zotero Web API v3 检索、创建、更新和删除条目、集合、标签和附件。在程序化处理 Zotero 库、管理参考文献、导出引文、搜索库内容、上传 PDF 附件或构建与 Zotero 集成的研究自动化工作流时使用此功能。

用于开放量子系统的量子物理模拟库。适用于研究主方程、Lindblad动力学、退相干、量子光学或腔QED。最适合用于物理研究、开放系统动力学和教学模拟。不适用于基于电路的量子计算——如需量子算法和硬件执行，请使用Qiskit、Cirq或PennyLane。

为NSF、NIH、DOE、DARPA和台湾NSTC撰写具有竞争力的研究提案，涵盖机构特定的格式要求、评审标准、预算编制、广泛影响、重要性陈述、创新叙述以及符合提交要求。

为科研报告制作幻灯片和演示文稿。适用于制作PowerPoint幻灯片、会议报告、研讨会演讲、研究展示、论文答辩幻灯片或任何科学演讲。提供幻灯片结构、设计模板、时间安排指导和视觉验证功能，兼容PowerPoint和LaTeX Beamer。