письма


Kanal geosi va tili: ko‘rsatilmagan, ko‘rsatilmagan
Toifa: ko‘rsatilmagan



Kanal geosi va tili
ko‘rsatilmagan, ko‘rsatilmagan
Toifa
ko‘rsatilmagan
Statistika
Postlar filtri


Casa.Cookierun /сетка по куки ран dan repost
🍪⋆.ೃ࿔*:・ Casa.Cookierun
—ос проект
Рт пост

── ⋆⋅𖤓⋅⋆ ──

- Всегда хотел ролить в сеттинге куки ран кингдом за своего фп (Фан персонажа) ?

- Всегда хотел сводить себя фп с Шадоу милком или другими бистами ?

- Из под каждого чайника орут что ты НЕ можешь сделать своего фп бистом или древним просто потому что ?

- Хочешь ролить и за игрового персонажа и за своего фп?

Тогда двери вам открыты в сетку
«Casa.Cookierun».ᐟ
Создавать можно кого угодно, хоть от обычной печенки до целой ВЕДЬМЫ!
Мир открыт и соответствует всем канонам как в оригинальной игре ! (Все события до 13 бист иста)
╰┈➤ • Навигация

 •буст

ִ ࣪ ˖ ࣪ ᨰꫀᥣᥴ᥆ꩇꫀ ! ᰔ ִ ׄ


[💊🦫] ᘕᓂᖚᑭᓂᗷᑕᖉᑌᗴ ᙎᕼᖆᒥᑌ :ᖚ dan repost
🤩


Добро пожаловать!

🤩


Я - Боьришко ( читается как "Бобришко" ) / Боьр ( читается как "бобр" ) / Стас ( сокращено от "Анастасия" ) , местоимения - 🤩 ( комфортнее всего 🤩🤩🤩 )🤩🤩🤩🤩 ( на ваше усмотрение )

Создаю коллажи , арты и прочие вещи .

Щитпост

Буст


тт
@beawer_pipipy

тамблер @beawerpipipy

пинтерест @rucnojbober


scam confession 🐰 dan repost
🌟: я๋ хоุчу наุучิить่ся ска๊миุт๋ь, нิо н่е зн้аю ка็к..

🌟: меัня наеба็ли наึ нф็т чัт д่елืат๋ь่!?

🫥🫥🫥🥹 знакꪮмо??
🫥тогда тебе в... 🌟
🤩🤩 🤍cam 🤍onfession
скам – этꪮ вид интернет-мошенничества, при котором злꪮумышленники обманывают людей, чтобы украсть их деньги, криптꪮвалюту или персꪮнальные данные
🌟⭐️🤩вп 🤩🤩 бот: @scamc0nfbot


ИRK meet confession dan repost
🤩🤩🤩🤩🤩🤩🤩🤩🤩🤩🤩🤩

🌟🌟🌟🌟🌟🌟 🌟
— ох! хочу друзей из Иркутска но не могу их найти.. -

—так одиноко, но в дайвинчике одни нормисы...


🔹накомо?
🤩тогда вам к нам!

🅰️🅰️🅰️🅰️🅰️🅰️🅰️

🅰️🅰️🅰️🅰️ 🅰️🅰️🤩
здесь ты можешь найти друзей / компанию/ партнера из чудесного города- Иркутска!

бот для тейков- @irkutstakebot

🌟 rules
🪦 вп пост
🪦рт пост
🌺 Набор в админы
🪽 Переходник

🌟🌟🌟🌟🌟🌟🌟🌟🌟🌟🌟🌟

❗️❗️за встречи и последствия участников адсинистрация ответственности не несет.❗️


мерчкф | продажа/аукционы/уступки/разбивы dan repost
Video oldindan ko‘rish uchun mavjud emas
Telegram'da ko‘rish
🤩🤩🤩🤩🤩🤩🤩🤩🤩🤩🤩
🤩🤩🤩🤩🤩🤩🤩🤩🤩🤩🤩
MERCH CONFESSION

🍪в мерчкф вы можете продать/разбить/уступить мерч по любым фд ✨

own: киян .нян


R&M without Rickorty dan repost
😀          🤩 . 🔤очешь найти контент, но без Рикорти 🥹🥹 🥹🤩🤩🥹
🤩🤩🤩Тогда присоединяйся в R&M without Rickorty, где можно найти всё что угодно от мерча до фанартов, так же 18+ арты/комиксы без участие этого пейринга.꒰ 😶 ꒱

Канал не поддерживает шото, лоли, большую разницу в возрасте.
😀 😀🌟 . 𝓷𝓪𝓿𝓲𝓰𝓪𝓽𝓲𝓸𝓷 🤩 𝓶𝓹 𝓹𝓸𝓼𝓽 😻 ⭐️❌ ❌❌❌😀😀 𝓫𝓸𝓽 𝓯𝓸𝓻 𝓽𝓪𝓴𝓮𝓼 ❌❌❌


Переходник SC dan repost
Хочешь себе сигну по низкой цене но не знаешь где купить? Или может хочешь купить интим фотки?

———————————————

КАНАЛ || ПЕРЕХОДНИК


🥹🥹ꩇׁׅυȶυ𐐼ᥣׁׅ թᩙเ𐐼𐐲 🥹

ミ 〽️ принимаем от 0+ !!
удаляем через 6 часов ༉‧₊˚.
*имеем право отказать без причины
мы не поддерживаем тех с кем делаем вп ༉‧₊˚.
🥹 Рт пост!! 🥹




3.2. Предопределенные дескрипторы

Предопределенные дескрипторы имеют некоторое сходство с базисными функциями, используемыми при расчетах электронной структуры. Иногда эти параметры даже оптимизируются в процессе подбора (65, 66). Благодаря своей простоте и эффективности такие предопределенные дескрипторы по-прежнему широко используются в современных многослойных перцептронах.
3.2.1. Потенциалы высокоразмерных нейронных сетей.

Использование уравнения 1 для расчета энергии системы подразумевает разделение общей энергии на атомные составляющие, которые в хорошем приближении часто можно выразить как функцию локального атомного окружения, если пространственное ограничение для описания окружения выбрано достаточно большим, чтобы охватить все энергетически значимые атомные взаимодействия. Первыми многослойными перцептронами, использующими это приближение локальности, стали высокоразмерные нейронные сетевые потенциалы (high-dimensional neural network potentials, HDNnP), предложенные Белером и Парринелло в 2007 году (23). При таком подходе, который впервые позволил проводить крупномасштабное моделирование с использованием многослойного перцептрона, энергия каждого атома рассчитывается как результат работы отдельной нейронной сети для отдельного атома (см. рис. 2a , b ). Чтобы обеспечить инвариантность к перестановкам, архитектура и весовые параметры всех атомных нейронных сетей для атомов одного и того же элемента должны быть одинаковыми. В качестве альтернативы можно использовать одну отдельную атомную нейронную сеть для каждого элемента, которая будет оцениваться столько раз, сколько атомов соответствующего элемента присутствует в системе. Обучение этих атомных HDNNP второго поколения (2G-HDNNP) проводится с использованием данных об энергиях и силах. Разделение на атомные энергии происходит автоматически в процессе подбора параметров, что позволяет напрямую использовать данные об общих энергиях. После обучения HDNNP можно применять для моделирования систем разного размера, соответствующим образом адаптируя количество атомных нейронных сетей, что приводит к O(N)-масштабированию вычислительных затрат метода. Ключевым шагом на пути к внедрению HDNNP стала разработка нового типа дескрипторов — атомно-центрированных функций симметрии (ACSF) (23, 67, 68), которые впервые позволили создавать структурные «отпечатки пальцев» локальных сред с точными трансляционными, вращательными и перестановочными инвариантами. Поскольку все структурно эквивалентные атомные среды порождают один и тот же вектор функции симметрии, эти инварианты также сохраняются в результатах расчета атомной энергии с помощью нейронных сетей.


(a) Общая структура нейронных сетей второго поколения с предопределенными дескрипторами. Полная (ближняя) энергия представляет собой сумму атомных или парных энергий, полученных на выходе отдельных атомных или парных нейронных сетей. На основе декартовых координат атомов  выполняются различные типы преобразований входных дескрипторов, характеризующих локальное атомное окружение, для (b) атомных или (c) парных HDNNP, (d) DPMD и (e) EANN. Подробности этих методов описаны в разделах 3.2.1–3.2.4. Сокращения: DPMD — молекулярная динамика с использованием глубоких потенциалов; EANN — нейронная сеть со встроенными атомами; GTO — орбиталь гауссова типа; HDNNP — потенциал высокоразмерной нейронной сети; NN — нейронная сеть.

Локальные атомные окружения определяются функцией отсечения
которая плавно уменьшается до нуля по значению и наклону при радиусе отсечения R c, и существует множество альтернативных функций отсечения (69, 70). R ij — это расстояние между опорным атомом i и любым соседним атомом j. Функция отсечения является ключевым компонентом ACSF и многих других подобных дескрипторов, которые описывают положение всех соседних атомов внутри результирующих сфер отсечения. В литературе описано множество типов ACSF для характеристики радиального и углового распределения соседних атомов (67). Наиболее часто используемая радиальная функция ACSF имеет вид
с гиперпараметрами η и R  , определяющими форму гауссовой сферы вокруг центрального атома. Благодаря суммированию по всем соседним атомам значение G radial,i можно интерпретировать как непрерывное координационное число, а для получения информации о радиальном распределении соседних атомов можно использовать комбинацию различных наборов параметров. Аналогичным образом можно исследовать угловое распределение соседних атомов с помощью угловой функции
где θ ijk — угол, образованный ij и ik, а ζ, λ и η — гиперпараметры. Для многоэлементных систем строятся ACSF для каждой пары элементов (радиальные) или каждой тройки элементов (угловые), что приводит к комбинаторному увеличению числа функций симметрии при наличии большого количества элементов. Подробное обсуждение свойств ACSF выходит за рамки данного обзора и может быть найдено в источнике 67. Типичная погрешность энергий и сил, полученных с помощью HDNNP, составляет около 1,0 мэВ/атом и 0,1 эВ/Å соответственно. За последнее десятилетие были опубликованы результаты применения HDNNP для различных систем (43), от объемных материалов и водных растворов до межфазных границ, а также универсальные параметризации HDNNP для широкого спектра органических молекул, например ANI (71), в которой используется модифицированная функция угловой симметрии.

В последние годы были предприняты попытки преодолеть комбинаторный рост числа атомно-центрированных функций симметрии для многоэлементных систем. В 2018 году Гастеггер и его коллеги представили взвешенные атомно-центрированные функции симметрии (wACSF) (65). В wACSF атомно-центрированные функции симметрии с одинаковыми параметрами объединяются для всех комбинаций элементов с помощью зависящих от элемента весовых коэффициентов, которые делают размерность входных данных для атомных нейронных сетей, специфичных для каждого элемента, независимой от количества элементов в системе. В недавнем исследовании Лю и Китчин использовали wACSF и предложили объединить атомные нейронные сети в единую универсальную атомную нейронную сеть с несколькими выходами для каждого химического элемента в системе (72). Таким образом, все элементы имеют одинаковые соединительные веса в единой атомной нейронной сети, в то время как веса, соединяющие выходные нейроны, остаются специфичными для каждого элемента, что основано на предположении о примерно линейной зависимости между универсальным вектором признаков, генерируемым атомной нейронной сетью, и атомной энергией конкретного элемента, которая была исследована для элементов в целом. Аналогичный метод был предложен Профиттом и Пирсоном для молекулярных систем (73). Наконец, извлечение релевантной информации из большого массива данных о сердечно-сосудистых факторах можно автоматизировать — например, с помощью CUR (74, 75) или сверточных нейронных сетей (76).


2. ПЕРВОЕ ПОКОЛЕНИЕ: НИЗКОРАЗМЕРНЫЕ СИСТЕМЫ


В 1995 году Дорен и его коллеги опубликовали статью о первом многослойном перцептроне, обученном на данных об электронной структуре, что позволило проводить моделирование с гораздо меньшими затратами (21). Они использовали нейронную сеть прямого распространения для построения отображения атомных позиций в потенциальную энергию адсорбции H2 на кластерной модели поверхности Si(100). В этой новаторской работе были исследованы и решены многие технические проблемы, которые сегодня считаются общеизвестными в области многослойных перцептронов, а также подробно рассмотрены преимущества и ограничения машинного обучения для представления энергетических поверхностей. В следующем десятилетии несколько групп исследователей продолжили изучать возможности применения нейронных сетей для различных молекулярных систем (44–47). Еще одна область применения — адсорбция и динамика взаимодействия газа с поверхностью (22, 48–50). Создание нейронных сетей для конденсированных систем, таких как жидкости и объемные материалы, в то время было невозможно, но было предпринято несколько попыток дополнить эмпирические потенциалы, подходящие для более крупных систем, нейронными сетями (51–53).

Помимо этих областей применения, были достигнуты многообещающие методологические успехи, результатом которых стали, например, очень точные потенциалы, основанные на сумме произведений, оптимизированных координатах и многомерном модельном представлении, предложенном Манжосом и Каррингтоном, которые достигли спектроскопической точности (54–56). В 2009 году Малше и его коллеги предложили использовать набор нейронных сетей для различных членов в многочастичном разложении (57). Наконец, в 2013 году Цзян и его коллеги использовали перестановочно-инвариантные полиномы, изначально разработанные Браамсом и Боуменом для построения полиномиальных нейронных сетей с полной перестановочной инвариантностью (58, 59), в качестве входных координат для построения молекулярных перестановочно-инвариантных полиномиальных нейронных сетей (PIP-NN) (60, 61).

Несмотря на разнообразие методов и систем, которые изучались в первое десятилетие, общей чертой всех этих моделей машинного обучения первого поколения, основанных исключительно на нейронных сетях, было небольшое количество степеней свободы, которые можно было учесть в явном виде, что ограничивало их применение малыми молекулами в вакууме, молекулами, взаимодействующими с замороженными поверхностями, или низкоразмерными аддитивными членами, часто в сочетании с традиционными эмпирическими потенциалами или силовыми полями. Краткое описание этих применений можно найти в двух ранних обзорах (10, 11).


3. Второе поколение: локальные методы для многомерных систем

3.1. Обзор

В потенциалах нейронной сети первого поколения было сделано много важных открытий, но их применение ограничивалось системами с небольшим количеством степеней свободы, включающими лишь несколько атомов. Основной концептуальной проблемой, препятствовавшей применению MLP к многомерным системам, содержащим тысячи атомов, было отсутствие подходящих структурных дескрипторов, в том числе обязательных инвариантов полной энергии относительно сдвига, вращения и перестановки (то есть порядка) химически эквивалентных атомов в системе. Кроме того, использование одной нейронной сети для выражения глобальной энергии системы, которая является центральным компонентом многих ранних нейронных сетей, не позволяло применять их к системам с переменным количеством атомов, поскольку размерность системы связана с количеством входных нейронов, которое нельзя изменить после обучения нейронной сети.

Многие эмпирические потенциалы в области материаловедения представляют полную энергию как сумму атомных энергий, то есть


Etotal​=∑i=1Natom​​Ei​


Большинство классических силовых полей, используемых, например, в биомолекулярной химии, также можно представить в таком виде. Для таких потенциалов несложно учесть все инварианты, поскольку они состоят из очень простых низкоразмерных слагаемых, которые являются аддитивными и зависят от инвариантных к трансляционным и вращательным движениям внутренних координат, таких как межатомные расстояния, углы и двугранные углы. В случае с многослойными перцептронами ситуация иная: они имеют более сложную многомерную функциональную форму, которая позволяет им достигать очень высокой числовой точности и требует упорядоченного вектора входных координат, не обладающего внутренней инвариантностью к перестановке. Следовательно, в первое десятилетие развития многослойных перцептронов было невозможно использовать уравнение 1, а поиск подходящих дескрипторов, учитывающих все инварианты, был сложной задачей, и было найдено лишь несколько специализированных решений для низкоразмерных систем (52, 62).

Сейчас эта проблема решена, и с точки зрения сегодняшнего дня трудно представить, в каком сложном положении находились первые разработчики многослойных перцептронов, ведь сейчас доступно огромное количество различных дескрипторов для многомерных систем (63, 64). Полученное в результате очень мощное второе поколение многослойных перцептронов, основанное на уравнении 1, в принципе применимо к системам произвольного размера. Было исследовано множество комбинаций двух основных компонентов современных многослойных перцептронов — дескрипторов атомного окружения и алгоритма машинного обучения, связывающего значения дескрипторов с энергиями.

В зависимости от типа дескриптора можно выделить два основных класса нейронных сетей второго поколения. В первых доступных нейронных сетях высокой размерности использовались дескрипторы с заранее заданными функциональными формами, которые содержали несколько параметров, определяющих пространственную форму. Кроме того, в последние годы все большее внимание уделяется второму классу нейронных сетей второго поколения, основанному на автоматическом обучении дескрипторов на основе структурной информации с помощью нейронных сетей с передачей сообщений (MPNN). Это не следует путать с оптимизацией параметров заранее заданных дескрипторов, поскольку в данном случае не делается никаких специальных предположений о функциональной форме. Оба подхода представлены в следующих разделах, а наиболее важные примеры кратко описаны.


Потенциалы нейронных сетей: Краткий обзор методов

За последние два десятилетия потенциалы машинного обучения (ПМО) достигли такого уровня развития, что теперь их можно применять для крупномасштабного атомистического моделирования широкого спектра систем в химии, физике и материаловедении. При создании ПМО с большим успехом используются различные алгоритмы машинного обучения. В этом обзоре мы рассматриваем важную группу ПМО, в которых для установления связи между атомной структурой и потенциальной энергией используются искусственные нейронные сети. Несмотря на эту общую черту, между молекулярными машинными языками есть важные концептуальные различия, которые касаются размерности систем, учета электростатических взаимодействий на больших расстояниях, глобальных явлений, таких как нелокальный перенос заряда, а также типа дескриптора, используемого для представления атомной структуры, который может быть как предопределенным, так и обучаемым. В статье представлен краткий обзор и обсуждаются нерешенные проблемы в этой области.
Emir Kocer, Tsz Wai Ko, Jörg Behler
1. ВВЕДЕНИЕ И СФЕРА ПРИМЕНЕНИЯ ДАННОГО ОБЗОРА

Машинное обучение играет все более важную роль во многих аспектах жизни (1, 2). Способность после процесса обучения выдавать точные прогнозы делает современные алгоритмы машинного обучения очень привлекательным инструментом для применения во всех областях науки, где важны анализ, классификация и интерпретация данных (3–8). Следовательно, науку о данных и машинное обучение теперь называют четвертой парадигмой науки (9) наряду с тремя устоявшимися парадигмами: эмпирическими экспериментальными исследованиями, теоретическими моделями и компьютерным моделированием.

Особенно плодотворным сочетанием машинного обучения и компьютерного моделирования, появившимся за последние два десятилетия, стало представление многомерной поверхности потенциальной энергии (PES) с помощью потенциалов машинного обучения (MLP) (10–20). PES играет ключевую роль в понимании на атомном уровне систем любого типа, от малых молекул до массивных материалов, поскольку содержит всю информацию о стабильных и метастабильных структурах, атомных силах, определяющих динамику при конечных температурах, переходных состояниях и барьерах, управляющих реакциями и структурными переходами, а также об атомных колебаниях. Долгое время компьютерное моделирование в химии, молекулярной биологии и материаловедении опиралось либо на ресурсоемкие расчеты электронной структуры, такие как теория функционала плотности (DFT), либо на эффективные, но значительно менее точные эмпирические потенциалы или силовые поля, основанные на физической интуиции и допущениях. Современные многослойные перцептроны устраняют этот пробел, изучая форму поверхности потенциальной энергии на основе эталонных данных, полученных в результате высокоуровневых расчетов электронной структуры. Полученные аналитические многослойные персептроны представляют атомные взаимодействия, обычно в зависимости от положения атомов и ядерных зарядов, и могут использоваться без существенной потери точности в крупномасштабных симуляциях, таких как молекулярная динамика, которые на много порядков быстрее базовых расчетов электронной структуры. Таким образом, многослойные персептроны представляют собой важный инструмент для удовлетворения постоянно растущей потребности в компьютерном моделировании все более сложных систем.

С момента появления первого MLP в 1995 году (21) было предложено множество типов методов, таких как потенциалы нейронной сети (NNP) (22–25), потенциалы гауссовой аппроксимации (GAP) (26, 27), подходы на основе ядра, такие как машинное обучение в градиентной области (GDML) (28), потенциалы спектрального анализа соседей (SNAPs) (29, 30), потенциалы тензора момента (MTP) (31), атомное кластерное расширение (ACE) (32 ), атомарно перестановочно-инвариантные многочлены (aPIPs) (33) и машины опорных векторов (SVM) (34). Многослойные пермеаты обладают множеством преимуществ, таких как очень гибкая функциональная форма, которая позволяет с высокой точностью представлять имеющиеся справочные данные (35); универсальность, благодаря которой они подходят для всех типов связей и атомных взаимодействий, от ковалентных связей и металлической связи до дисперсионных взаимодействий; а также четко определенная аналитическая форма, которая позволяет последовательно вычислять энергию и градиентные свойства, такие как силы и тензор напряжений. Основными недостатками многослойных перцептронов являются отсутствие физической функциональной формы и, как следствие, ограниченная применимость за пределами структурного разнообразия исходных обучающих данных, что делает тщательную проверку полученных потенциалов необходимым этапом. По той же причине построение многослойных перцептронов требует больших вычислительных ресурсов, поскольку для получения всей необходимой информации о топологии поверхности потенциальной энергии требуются большие обучающие наборы данных.

Современные многослойные перцептроны применимы в самых разных областях, например в зависимости от размерности систем, диапазона атомных взаимодействий, которые можно описать, и возможности включения физических законов и концепций. Недавно была предложена схема классификации многослойных перцептронов на четыре поколения (36–38), которую мы используем в этом обзоре. Многослойные перцептроны первого поколения могут давать точные поверхности потенциальной энергии для низкоразмерных систем, таких как малые молекулы. В MLP второго поколения используется локальность большинства атомных взаимодействий и концепция атомных энергий, что делает эти потенциалы применимыми к многомерным системам, содержащим тысячи атомов. MLP третьего поколения преодолевают это приближение локальности за счет явного учета дальнодействующих взаимодействий, таких как электростатика, основанная на законе Кулона, без усечения. Тем не менее они основаны на атомных зарядах, зависящих от локального химического окружения. Наконец, потенциалы четвертого поколения способны фиксировать такие явления, как нелокальный перенос заряда, с учетом глобальной структуры и распределения заряда в системе.

В этом обзоре мы сосредоточимся на обсуждении многослойных перцептронов, основанных на нейронных сетях. Нейронные сети имеют не только самую долгую историю, но и самое большое разнообразие методов и концепций среди всех классов многослойных перцептронов. Мы ограничимся рассмотрением методов, обеспечивающих непрерывные поверхности потенциальной энергии для произвольных положений атомов, подходящих для моделирования молекулярной динамики, хотя отметим, что было предложено и успешно протестировано множество других интересных подходов на основе нейронных сетей для прогнозирования, например, энергий атомизации больших наборов органических молекул в их глобальных минимумах (39) и различных свойств материалов (40–42). Кроме того, мы не рассматриваем методы, используемые для прогнозирования частичных зарядов или мультиполей атомов, если только они не используются для непосредственного вычисления вклада электростатической энергии в поверхность потенциальной энергии. Наша цель — представить основные методы и концепции, а о применении мы расскажем лишь вкратце. Заинтересованный читатель может обратиться к многочисленным обзорам, в которых приведены исчерпывающие списки таких применений (10, 11, 15, 43).

Даже при таком ограниченном охвате дать исчерпывающий обзор всех доступных методов в этой стремительно развивающейся области невозможно. На рисунке 1 представлена схематичная хронология исторической эволюции методов нейронных сетей с использованием репрезентативных примеров. Представленные методы классифицированы в зависимости от типов дескрипторов атомных конфигураций, которые могут быть заданными заранее или формируемыми в процессе обучения; размерности систем, которые можно изучать; а также от наличия или отсутствия электростатических взаимодействий на больших расстояниях. Эти критерии будут определять наше обсуждение отдельных методов в следующих разделах. Кроме того, эволюция NNP рассматривается в контексте других важных методов MLP, предложенных на сегодняшний день, которые указаны в серой колонке на рисунке 1 , но не рассматриваются здесь более подробно.


Пост со всеми ссылками 🌟




hׁׅ֮ᧉ᩠֗ᥣׁׅ֪ᥣׁׅ֪𐐫 ᦗ𝕪 ძᩙᧉ᩠֗𐐼𐐲🤩
🥹Добро пожаловать. Делюсь здесь :
ೄྀ࿐ ˊˎ- 🤩🤩🤩🤩🤩🤩🤩🤩
Конспектами по химии, биологии, физике

ೄྀ࿐ ˊˎ- 🤩🤩🤩🤩🤩🤩🤩🤩
переводами статьей с physical review letters и иных ресурсов

Связь: анонка | ɕִׄhׁׅ֮𐐼ꪀׁׅꪀׁׅᧉ᩠֗ᥣׁׅ֪ | ꧑թᩙ

15 ta oxirgi post ko‘rsatilgan.