floatingCatty · Oct 12, 2026 · Oct 12, 2026 · Oct 12, 2026 · Oct 12, 2026 · Oct 12, 2026
diff --git a/_includes/lamp-nav.html b/_includes/lamp-nav.html
@@ -6,9 +6,9 @@
   <div class="navlinks">
     <a href="{{ '/essays/' | relative_url }}"{% if include.active == "essays" %} class="active"{% endif %}><span class="i18n-zh">随笔</span><span class="i18n-en">Essays</span></a>
     <a href="{{ '/study-notes/' | relative_url }}"{% if include.active == "study" %} class="active"{% endif %}><span class="i18n-zh">学习笔记</span><span class="i18n-en">Study notes</span></a>
-    <a href="{{ '/research/' | relative_url }}"{% if include.active == "research" %} class="active"{% endif %}><span class="i18n-zh">研究</span><span class="i18n-en">Research</span></a>
+    <a href="{% if page.research_locale == 'zh' %}{{ '/zh/research/' | relative_url }}{% else %}{{ '/research/' | relative_url }}{% endif %}" data-href-en="{{ '/research/' | relative_url }}" data-href-zh="{{ '/zh/research/' | relative_url }}"{% if include.active == "research" %} class="active"{% endif %}><span class="i18n-zh">研究</span><span class="i18n-en">Research</span></a>
     <a href="{{ '/publications/' | relative_url }}"{% if include.active == "pubs" %} class="active"{% endif %}><span class="i18n-zh">论文</span><span class="i18n-en">Publications</span></a>
-    <a href="{{ '/#about' | relative_url }}"><span class="i18n-zh">关于</span><span class="i18n-en">About</span></a>
+    <a href="{% if page.research_locale == 'zh' %}{{ '/zh/about/' | relative_url }}{% else %}{{ '/about/' | relative_url }}{% endif %}" data-href-en="{{ '/about/' | relative_url }}" data-href-zh="{{ '/zh/about/' | relative_url }}"><span class="i18n-zh">关于</span><span class="i18n-en">About</span></a>
     <a href="{{ '/#contact' | relative_url }}"><span class="i18n-zh">联系</span><span class="i18n-en">Contact</span></a>
     <button id="lang-toggle" class="lang-btn" type="button" aria-label="Switch language"></button>
   </div>

diff --git a/_pages/research-ad-negf-zh.md b/_pages/research-ad-negf-zh.md
@@ -0,0 +1,28 @@
+---
+layout: research
+permalink: /zh/research/ad-negf/
+title: "AD-NEGF：可微的量子输运计算"
+title_en: "AD-NEGF: differentiable quantum transport calculations"
+description: "AD-NEGF computes gradients through tight-binding quantum-transport calculations for sensitivity analysis and inverse Hamiltonian design."
+description_zh: "AD-NEGF 为紧束缚量子输运计算增加梯度，用于灵敏度分析和哈密顿量逆向设计。"
+paper_year: 2023
+paper_url: "https://doi.org/10.1103/PhysRevB.108.195143"
+code_url: "https://github.com/floatingCatty/ADNEGF"
+research_locale: zh
+translation_url: "/research/ad-negf/"
+translation_of: "/research/ad-negf/"
+alternate_en_url: "/research/ad-negf/"
+alternate_zh_url: "/zh/research/ad-negf/"
+---
+
+<div class="post-zh" lang="zh-Hans" markdown="1">
+
+我在天津大学做量子输运的时候，常常用 NEGF（非平衡格林函数）方法算电子通过一个器件的透射和电流。给定描述电子能量和耦合的哈密顿量，再加上电极和偏压，程序就能算出结果。但如果想知道某个参数改一点，电流会变多少，往往只能改完再跑一次。参数多的时候，这个办法很慢。
+
+我们当时想试试，能不能直接对整个输运计算求导。比如，电流对某个轨道耦合、原子位置或其他输入变量的梯度。有了这些导数，可以分析模型对什么最敏感，也可以尝试反过来调整哈密顿量，让它接近某个目标输运性质。
+
+AD-NEGF 用 PyTorch 实现了 NEGF 计算流程，并针对部分求解步骤写了专门的反向传播。NEGF 里有矩阵求逆和需要数值求解的中间量，直接依赖一般的自动微分不一定合适，所以论文中也用了隐式求导的方法。我们验证了梯度计算，还展示了从目标输运性质反过来优化哈密顿量的例子。
+
+不过，这里的设计主要还在模型层面。哈密顿量参数怎样对应到实际能够制造的器件结构，散射、缺陷、接触等效应怎么处理，都需要另外建模。能对求解器求导，确实方便了很多原本只能反复试算的工作，但离直接用于真实器件设计，还有不少事情要做。
+
+</div>
diff --git a/_pages/research-ad-negf.md b/_pages/research-ad-negf.md
@@ -8,20 +8,12 @@ description_zh: "AD-NEGF 为紧束缚量子输运计算增加梯度，用于灵
 paper_year: 2023
 paper_url: "https://doi.org/10.1103/PhysRevB.108.195143"
 code_url: "https://github.com/floatingCatty/ADNEGF"
+research_locale: en
+translation_url: "/zh/research/ad-negf/"
+alternate_en_url: "/research/ad-negf/"
+alternate_zh_url: "/zh/research/ad-negf/"
 ---
 
-<div class="post-zh" lang="zh-Hans" markdown="1">
-
-我在天津大学做量子输运的时候，常常用 NEGF（非平衡格林函数）方法算电子通过一个器件的透射和电流。给定描述电子能量和耦合的哈密顿量，再加上电极和偏压，程序就能算出结果。但如果想知道某个参数改一点，电流会变多少，往往只能改完再跑一次。参数多的时候，这个办法很慢。
-
-我们当时想试试，能不能直接对整个输运计算求导。比如，电流对某个轨道耦合、原子位置或其他输入变量的梯度。有了这些导数，可以分析模型对什么最敏感，也可以尝试反过来调整哈密顿量，让它接近某个目标输运性质。
-
-AD-NEGF 用 PyTorch 实现了 NEGF 计算流程，并针对部分求解步骤写了专门的反向传播。NEGF 里有矩阵求逆和需要数值求解的中间量，直接依赖一般的自动微分不一定合适，所以论文中也用了隐式求导的方法。我们验证了梯度计算，还展示了从目标输运性质反过来优化哈密顿量的例子。
-
-不过，这里的设计主要还在模型层面。哈密顿量参数怎样对应到实际能够制造的器件结构，散射、缺陷、接触等效应怎么处理，都需要另外建模。能对求解器求导，确实方便了很多原本只能反复试算的工作，但离直接用于真实器件设计，还有不少事情要做。
-
-</div>
-
 <div class="post-en" lang="en" markdown="1">
 
 When I was working on quantum transport at Tianjin University, I often used the non-equilibrium Green's function (NEGF) method to calculate electron transmission and current through a device. Given a Hamiltonian describing electronic energies and couplings, along with electrodes and an applied bias, the program produces a result. But if we want to know how much the current changes when a parameter is adjusted, we usually have to run the calculation again. That gets slow when there are many parameters.

diff --git a/_pages/research-deeptb-negf-zh.md b/_pages/research-deeptb-negf-zh.md
@@ -0,0 +1,28 @@
+---
+layout: research
+permalink: /zh/research/deeptb-negf/
+title: "DeePTB-NEGF：从学习到的哈密顿量计算量子输运"
+title_en: "DeePTB-NEGF: transport from learned Hamiltonians"
+description: "A DeePTB and DPNEGF workflow for quantum transport in graphene, h-BN and MoS2, compared with first-principles DFT-NEGF calculations."
+description_zh: "DeePTB 和 DPNEGF 结合，计算石墨烯、氮化硼和二硫化钼的量子输运，并与 DFT-NEGF 对照。"
+paper_year: 2025
+paper_url: "https://arxiv.org/abs/2512.11291"
+code_url: "https://github.com/deepmodeling/dpnegf"
+research_locale: zh
+translation_url: "/research/deeptb-negf/"
+translation_of: "/research/deeptb-negf/"
+alternate_en_url: "/research/deeptb-negf/"
+alternate_zh_url: "/zh/research/deeptb-negf/"
+---
+
+<div class="post-zh" lang="zh-Hans" markdown="1">
+
+做量子输运计算时，NEGF 通常需要先拿到体系的哈密顿矩阵。用 DFT 直接构造当然比较可靠，但材料一大，或者想换很多个结构反复计算，这一步往往就是主要开销。DeePTB 能从原子结构预测紧束缚哈密顿量，于是一个自然的问题是：能不能把它直接接到量子输运求解器里？
+
+这篇合作工作尝试了这件事。我们把 DeePTB 预测的哈密顿量接到 DPNEGF，研究石墨烯、六方氮化硼和 MoS₂ 这三种二维材料，并与传统 DFT-NEGF 得到的能带和电子透射谱做比较。预印本报告了较好的一致性，以及在这些测试体系上的计算效率提升。
+
+这里实际上有两层需要分开验证的近似。一层是学习到的哈密顿量是否准确，另一层是输运求解器能否正确处理接触、器件几何和边界条件。即使能带看起来相近，透射也不一定自然就会准确。所以我觉得把模型和物性计算接在一起，并做完整的输运对照，比单独展示一个好的哈密顿量误差更有意义。
+
+目前公开的是预印本。它说明了这条计算路线在几个典型二维材料上的可行性，但不能据此说所有缺陷、界面或实际器件都已有同等的精度。
+
+</div>
diff --git a/_pages/research-deeptb-negf.md b/_pages/research-deeptb-negf.md
@@ -8,20 +8,12 @@ description_zh: "DeePTB 和 DPNEGF 结合，计算石墨烯、氮化硼和二硫
 paper_year: 2025
 paper_url: "https://arxiv.org/abs/2512.11291"
 code_url: "https://github.com/deepmodeling/dpnegf"
+research_locale: en
+translation_url: "/zh/research/deeptb-negf/"
+alternate_en_url: "/research/deeptb-negf/"
+alternate_zh_url: "/zh/research/deeptb-negf/"
 ---
 
-<div class="post-zh" lang="zh-Hans" markdown="1">
-
-做量子输运计算时，NEGF 通常需要先拿到体系的哈密顿矩阵。用 DFT 直接构造当然比较可靠，但材料一大，或者想换很多个结构反复计算，这一步往往就是主要开销。DeePTB 能从原子结构预测紧束缚哈密顿量，于是一个自然的问题是：能不能把它直接接到量子输运求解器里？
-
-这篇合作工作尝试了这件事。我们把 DeePTB 预测的哈密顿量接到 DPNEGF，研究石墨烯、六方氮化硼和 MoS₂ 这三种二维材料，并与传统 DFT-NEGF 得到的能带和电子透射谱做比较。预印本报告了较好的一致性，以及在这些测试体系上的计算效率提升。
-
-这里实际上有两层需要分开验证的近似。一层是学习到的哈密顿量是否准确，另一层是输运求解器能否正确处理接触、器件几何和边界条件。即使能带看起来相近，透射也不一定自然就会准确。所以我觉得把模型和物性计算接在一起，并做完整的输运对照，比单独展示一个好的哈密顿量误差更有意义。
-
-目前公开的是预印本。它说明了这条计算路线在几个典型二维材料上的可行性，但不能据此说所有缺陷、界面或实际器件都已有同等的精度。
-
-</div>
-
 <div class="post-en" lang="en" markdown="1">
 
 A quantum transport calculation usually begins with a Hamiltonian. Constructing it directly from DFT can be reliable, but it becomes expensive when the system is large or when we want to compare many different structures. DeePTB can predict a tight-binding Hamiltonian from an atomic structure, which raises a natural question: can we use that Hamiltonian directly in a quantum transport solver?

diff --git a/_pages/research-ferh-magnetism-zh.md b/_pages/research-ferh-magnetism-zh.md
@@ -0,0 +1,25 @@
+---
+layout: research
+permalink: /zh/research/ferh-magnetism/
+title: "FeRh 中交换关联泛函对磁性的影响"
+title_en: "Exchange-correlation functionals and magnetism in FeRh"
+description: "A note on why density-functional predictions of magnetism in FeRh change with lattice constant and exchange-correlation functional."
+description_zh: "关于 FeRh 合金的磁性预测为什么依赖晶格常数和 DFT 交换关联泛函。"
+paper_year: 2025
+paper_url: "https://doi.org/10.1016/j.commatsci.2024.113561"
+research_locale: zh
+translation_url: "/research/ferh-magnetism/"
+translation_of: "/research/ferh-magnetism/"
+alternate_en_url: "/research/ferh-magnetism/"
+alternate_zh_url: "/zh/research/ferh-magnetism/"
+---
+
+<div class="post-zh" lang="zh-Hans" markdown="1">
+
+FeRh 是铁和铑组成的一种合金，磁性对晶格常数特别敏感。原子之间的距离只要有一点变化，不同磁性状态之间的能量关系就可能跟着改变。这给 DFT 计算出了一个难题：算出来的结果，到底有多少来自材料本身，有多少来自我们使用的近似？
+
+在 DFT 里，电子的交换关联效应需要用一个泛函来近似。实际做计算时，可选的方法有很多，例如 LDA、GGA 和 SCAN。它们在一些材料上可以给出很接近的结果，换一个体系却不一定如此。FeRh 就是一个很适合拿来比较的例子，因为结构、电子和磁性之间联系得很紧。
+
+这篇工作比较了几种交换关联泛函对 FeRh 的描述，包括晶格常数和磁性状态等结果。我们发现，没有哪一个泛函能在所有相关性质上都给出同样可靠的描述。因此研究 FeRh 这类体系时，需要关心计算对泛函和结构参数的依赖，不能只报出一次计算得到的磁性结果。
+
+</div>
diff --git a/_pages/research-ferh-magnetism.md b/_pages/research-ferh-magnetism.md
@@ -7,18 +7,12 @@ description: "A note on why density-functional predictions of magnetism in FeRh
 description_zh: "关于 FeRh 合金的磁性预测为什么依赖晶格常数和 DFT 交换关联泛函。"
 paper_year: 2025
 paper_url: "https://doi.org/10.1016/j.commatsci.2024.113561"
+research_locale: en
+translation_url: "/zh/research/ferh-magnetism/"
+alternate_en_url: "/research/ferh-magnetism/"
+alternate_zh_url: "/zh/research/ferh-magnetism/"
 ---
 
-<div class="post-zh" lang="zh-Hans" markdown="1">
-
-FeRh 是铁和铑组成的一种合金，磁性对晶格常数特别敏感。原子之间的距离只要有一点变化，不同磁性状态之间的能量关系就可能跟着改变。这给 DFT 计算出了一个难题：算出来的结果，到底有多少来自材料本身，有多少来自我们使用的近似？
-
-在 DFT 里，电子的交换关联效应需要用一个泛函来近似。实际做计算时，可选的方法有很多，例如 LDA、GGA 和 SCAN。它们在一些材料上可以给出很接近的结果，换一个体系却不一定如此。FeRh 就是一个很适合拿来比较的例子，因为结构、电子和磁性之间联系得很紧。
-
-这篇工作比较了几种交换关联泛函对 FeRh 的描述，包括晶格常数和磁性状态等结果。我们发现，没有哪一个泛函能在所有相关性质上都给出同样可靠的描述。因此研究 FeRh 这类体系时，需要关心计算对泛函和结构参数的依赖，不能只报出一次计算得到的磁性结果。
-
-</div>
-
 <div class="post-en" lang="en" markdown="1">
 
 FeRh is an alloy of iron and rhodium whose magnetism is unusually sensitive to the lattice constant. A small change in the distance between atoms can change the relative energies of different magnetic states. That makes it a difficult system for DFT: how much of a prediction comes from the material, and how much comes from the approximation we chose?

diff --git a/_pages/research-logdet-entropy-zh.md b/_pages/research-logdet-entropy-zh.md
@@ -0,0 +1,32 @@
+---
+layout: research
+permalink: /zh/research/logdet-entropy/
+title: "LogDet：用矩阵估计神经网络里的信息量"
+title_en: "LogDet: estimating information in neural networks"
+description: "The LogDet entropy estimator measures high-dimensional information using matrix operations and was applied to the analysis of neural networks."
+description_zh: "LogDet 熵估计器利用矩阵运算处理高维数据，用于分析神经网络特征中的信息变化。"
+paper_year: 2025
+paper_url: "https://doi.org/10.1016/j.neucom.2025.131520"
+paper_title: "Understanding neural networks with logarithm determinant entropy estimator"
+paper_doi: "10.1016/j.neucom.2025.131520"
+paper_authors:
+  - "Zhanghao Zhouyin"
+  - "Ding Liu"
+research_locale: zh
+translation_url: "/research/logdet-entropy/"
+translation_of: "/research/logdet-entropy/"
+alternate_en_url: "/research/logdet-entropy/"
+alternate_zh_url: "/zh/research/logdet-entropy/"
+---
+
+<div class="post-zh" lang="zh-Hans" markdown="1">
+
+我本科时做过一段时间神经网络理论，最感兴趣的是网络内部的信息到底发生了什么变化。比如一层层特征传递下去，哪些东西保留下来了，哪些被丢掉了。信息论给我们提供了熵和互信息这些工具，但真要把它们用在高维神经网络特征上，估计本身就不容易。
+
+直接估计高维概率分布需要大量样本。一些常见的熵估计器，在维度很高或者数据分布比较特殊时也容易出现偏差。我们于是试了一种从矩阵出发的办法：利用样本构成的矩阵及其对数行列式（LogDet）来估计信息量，省去直接重建完整概率密度的步骤。
+
+论文中我们做了几组对比实验，也把估计器用来观察神经网络训练过程中不同层的特征变化，希望借此分析信息瓶颈理论里讨论的现象。这篇工作很早就开始了，后来经过几轮修改，发表在 2025 年的 Neurocomputing。
+
+这类指标的意义也要放在具体估计方法里看。它可以帮助比较和观察网络，但不能简单地把一个估计数值当作对网络内部信息的完整解释。我后来转到物理计算，仍然常常碰到类似的问题：先要弄清楚我们用的量到底测量了什么，才谈得上从结果里得出结论。
+
+</div>
diff --git a/_pages/research-logdet-entropy.md b/_pages/research-logdet-entropy.md
@@ -12,20 +12,12 @@ paper_doi: "10.1016/j.neucom.2025.131520"
 paper_authors:
   - "Zhanghao Zhouyin"
   - "Ding Liu"
+research_locale: en
+translation_url: "/zh/research/logdet-entropy/"
+alternate_en_url: "/research/logdet-entropy/"
+alternate_zh_url: "/zh/research/logdet-entropy/"
 ---
 
-<div class="post-zh" lang="zh-Hans" markdown="1">
-
-我本科时做过一段时间神经网络理论，最感兴趣的是网络内部的信息到底发生了什么变化。比如一层层特征传递下去，哪些东西保留下来了，哪些被丢掉了。信息论给我们提供了熵和互信息这些工具，但真要把它们用在高维神经网络特征上，估计本身就不容易。
-
-直接估计高维概率分布需要大量样本。一些常见的熵估计器，在维度很高或者数据分布比较特殊时也容易出现偏差。我们于是试了一种从矩阵出发的办法：利用样本构成的矩阵及其对数行列式（LogDet）来估计信息量，省去直接重建完整概率密度的步骤。
-
-论文中我们做了几组对比实验，也把估计器用来观察神经网络训练过程中不同层的特征变化，希望借此分析信息瓶颈理论里讨论的现象。这篇工作很早就开始了，后来经过几轮修改，发表在 2025 年的 Neurocomputing。
-
-这类指标的意义也要放在具体估计方法里看。它可以帮助比较和观察网络，但不能简单地把一个估计数值当作对网络内部信息的完整解释。我后来转到物理计算，仍然常常碰到类似的问题：先要弄清楚我们用的量到底测量了什么，才谈得上从结果里得出结论。
-
-</div>
-
 <div class="post-en" lang="en" markdown="1">
 
 As an undergraduate, I spent some time studying neural-network theory. I was interested in what happens to information inside a network: what survives as features pass through layers, and what gets discarded. Information theory gives us entropy and mutual information, but estimating them for high-dimensional neural-network features is difficult in practice.