这个技能用于将识别的对称性映射到数学群，为神经网络架构设计提供数学基础。它帮助用户识别离散或连续对称性，匹配到具体群如循环群、二面体群、李群等，并验证群属性。关键词：对称性识别、群论映射、数学群、深度学习架构、神经网络对称性、SO(3)、SE(3)、量化交易分析（扩展应用）。

Torchtitan是一个用于大规模语言模型（LLM）预训练的PyTorch原生平台，支持4D并行（FSDP2、TP、PP、CP）、Float8训练和分布式检查点，适用于从8到512+ GPU的Llama、DeepSeek等模型的预训练，提供高效的训练速度和可扩展性。关键词：分布式训练、LLM预训练、PyTorch、Torchtitan、4D并行、Float8、深度学习、人工智能。

Flash Attention优化是一种用于Transformer模型注意力机制的技术，通过IO感知分块和重计算，实现2-4倍速度提升和10-20倍内存减少。适用于训练和推理长序列（>512 tokens）的Transformer模型，解决GPU内存问题，并支持PyTorch原生、高级功能如滑动窗口注意力和H100 FP8优化。关键词：Flash Attention，Transformer优化，内存效率，速度提升，深度学习，GPU加速，注意力机制。

SAELens技能用于训练和分析稀疏自编码器，以将密集的神经网络激活分解为稀疏、可解释的特征，适用于机制可解释性研究、特征发现和叠加分析。关键词：稀疏自编码器、SAE、机制可解释性、特征发现、神经网络激活、深度学习、NLP、人工智能。

这个技能用于访问AlphaFold AI预测的蛋白质结构数据库，支持通过UniProt ID检索结构、下载PDB/mmCIF文件、分析置信度指标如pLDDT和PAE，适用于药物发现、结构生物学、蛋白质工程和进化研究。关键词：AlphaFold，蛋白质结构预测，AI，深度学习，结构生物学，药物发现，生物信息学。

此技能专注于训练Mixture of Experts（专家混合）模型，适用于大规模深度学习模型的开发，如Mixtral 8x7B和DeepSeek-V3。它涵盖了MoE架构、路由机制、负载平衡和专家并行等技术，旨在以较低的计算成本训练高容量模型。关键词：MoE, 专家混合模型, 深度学习, 大模型训练, 稀疏架构, 计算优化。

nnsight是一个用于解释和操作神经网络内部的工具，支持通过NDIF远程执行，适用于大规模模型的可解释性实验。它允许研究人员在任何PyTorch模型上运行相同代码，无需本地GPU资源。关键词：神经网络解释，远程执行，nnsight，NDIF，大模型分析，PyTorch模型，深度学习可解释性。

AlphaFold 数据库技能用于访问 AI 预测的蛋白质结构，支持通过 UniProt ID 检索结构、下载 PDB/mmCIF 文件、分析置信度指标（如 pLDDT 和 PAE），适用于药物发现、结构生物学研究和蛋白质工程。关键词：AlphaFold, 蛋白质结构预测, AI, 生物信息学, 药物研发

该技能用于将训练好的TensorFlow模型部署到生产环境，涵盖模型导出为SavedModel格式、转换为TensorFlow Lite用于移动和边缘设备、应用量化技术优化性能和大小、设置服务基础设施如TensorFlow Serving、以及进行模型验证和测试。关键词：TensorFlow, 模型部署, SavedModel, TensorFlow Lite, 量化, 优化, AI应用, 深度学习, 云服务

这个技能用于设计尊重对称性群的神经网络架构，提供等变层、G-CNN、e3nn等技术的架构模式和实现指导，适用于图像处理、点云、图形等领域的深度学习任务。关键词：等变神经网络、对称性群、架构设计、深度学习、AI应用。

这个技能是用于开发和训练图神经网络（GNN）的Python库，基于PyTorch。它支持节点分类、图分类、链接预测、异构图处理、分子属性预测等应用，适用于社交网络分析、引用网络、3D几何数据等场景，是几何深度学习的强大工具。关键词：图神经网络、深度学习、PyTorch、GCN、GAT、GraphSAGE、节点分类、图分类、链接预测、分子属性预测、异构图。

DeepSpeed技能提供对微软DeepSpeed框架的专家指导，专注于分布式深度学习训练优化，包括ZeRO技术、管道并行、混合精度训练和通信优化，适用于大规模模型训练、性能调优和内存效率提升。关键词：分布式训练、深度学习、ZeRO优化、混合精度、大规模模型训练、DeepSpeed框架、AI训练加速、GPU内存优化。