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。

使用 Nano Banana 2 AI 创建符合出版标准的科学图表，具备智能迭代优化功能。采用 Gemini 3.1 Pro 预览版进行质量审核，仅当图表质量低于您文档类型的阈值时才重新生成。专精于神经网络架构、系统图、流程图、生物通路及复杂的科学可视化。

适用于生成期刊投稿级图表的元技能。适用于需要多面板布局、显著性标注、误差条、色盲友好配色方案以及特定期刊格式（如《自然》《科学》《细胞》）的图表制作，可协调使用 matplotlib、seaborn 或 plotly 以符合出版样式。如需快速探索，可直接使用 seaborn 或 plotly。

使用 scikit-learn 在 Python 中进行机器学习。适用于处理监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优、数据预处理或构建机器学习流水线。提供算法、预处理技术、流水线和最佳实践的全面参考文档。

集成 pandas 的统计可视化工具，适用于快速探索分布、关系和分类比较，具备美观的默认设置。最适合绘制箱线图、小提琴图、配对图和热力图。基于 matplotlib 构建。如需交互式图表，请使用 plotly；如需出版级样式，请使用 scientific-visualization。

使用SHAP（SHapley Additive exPlanations）进行模型可解释性和可解释性分析。在解释机器学习模型预测、计算特征重要性、生成SHAP图（瀑布图、蜜蜂群图、条形图、散点图、力图、热力图）、调试模型、分析模型偏差或公平性、比较模型或实现可解释AI时使用此技能。适用于基于树的模型（XGBoost、LightGBM、随机森林）、深度学习（TensorFlow、PyTorch）、线性模型以及任何黑箱模型。

图神经网络（PyG）。节点/图分类、链接预测、GCN、GAT、GraphSAGE、异构图、分子性质预测，适用于几何深度学习。

在使用预训练的Transformer模型进行自然语言处理、计算机视觉、音频或多模态任务时，应使用此技能。适用于文本生成、分类、问答、翻译、摘要、图像分类、目标检测、语音识别以及在自定义数据集上微调模型。

获取主要科学出版平台（如《自然》、《科学》、PLOS、IEEE、ACM）、学术会议（如NeurIPS、ICML、CVPR、CHI）、研究展板及基金申请（如NSF、NIH、DOE、DARPA）的完整LaTeX模板、格式要求和投稿指南。当准备期刊投稿论文、会议论文、研究展板或基金申请时，如需遵循特定投稿平台的格式要求和模板，应使用此技能。