本文探讨费米悖论，主张“光伏板+太空城”是文明最优解，而非核聚变或行星改造。核聚变因材料受中子脆化限制，行星改造工程量过大。光伏在太空兼具遮阳、发电、散热功能，边际成本低，能支撑文明亿年稳态。核聚变仅用于星际航行等极端场景，占比极低。文明理性在于识别无需解决的问题。

文章认为核聚变会因14MeV中子不可逆损坏壁材，且行星改造工程量过大；而“光伏板+太空城”可同时遮阳、发电、散热，材料取自月球和小行星，边际成本低。文明进入稳态后，光伏足以供养万亿人口，核聚变仅作为星际远航与最终撤离的极低频战略储备，占比不足0.001%。

在家天台自建的小型光伏发电站由3块太阳能板组成，晴天日发电量约4度，阴天约2度。系统包括MPPT充电控制器和并网逆变器，连接4块铅酸电池，逆变器输出400瓦，能抵消家庭网络机柜的用电。

在第20届CCF HPC China 2024年会上，万萌介绍了深度学习在光伏发电和电力负荷预测中的应用，提出了多种新能源预测模型，提升了预测精度。

本文介绍了多种新型太阳能发电预测模型，如SolNet、MATNet和PV-Client，利用深度学习和量子机器学习技术，提高了光伏发电的预测准确性。这些模型结合气象数据和历史发电数据，解决了数据匮乏问题，并展示了在不同国家的应用效果，推动了可再生能源的发展。

该研究提出了两种混合量子神经网络模型，用于预测太阳能电池板的功率输出。第一种模型将误差降低了40%，第二种模型在缺乏气象数据的情况下，误差比传统模型低16%。研究结果有助于优化电网运营和促进分布式光伏发电的整合。

提出了 PV-Client (Cross-variable Linear Integrated ENhanced Transformer) 用于光伏发电功率预测，采用增强 Transformer 模块捕获不同特征之间的复杂相互作用，使用线性模块学习光伏功率的趋势信息，并整合交叉变量注意力以捕获光伏功率与天气因素之间的依赖关系。实验结果表明，PV-Client 在光伏发电功率预测方面表现卓越。

本文探讨了太阳能预测模型的训练策略，比较了局部与全局模型的性能。研究发现，预训练模型在数据较少时表现优越。通过量子神经网络和深度学习框架，提出了多种模型以提高光伏发电预测的准确性，尤其是LSTM模型在短期预测中表现最佳。这些研究为优化电网运营和促进可再生能源整合提供了支持。

本文提出了一种基于分子图像的新型分子表示方法，并展示了其在分子属性预测中的潜力。开发的分子几何深度学习（Mol-GDL）模型在14个基准数据集上表现优于现有方法。此外，研究还探讨了聚合物太阳能电池的功率转换效率，利用机器学习优化模型，取得了良好预测结果。整体上，研究强调了多模态深度学习在分子性质预测中的应用及其优势。

全球气候变化加剧，转向可持续能源的必要性日益突出。本文介绍了SolarFormer模型，通过多尺度Transformer改进太阳能电池板分割性能，采用自我监督学习提高泛化能力，减少对手动标注数据的依赖。同时，研究提出了MATNet和TreeFormer等新方法，结合AI与物理知识，提高光伏发电预测和树木统计的准确性，推动可持续能源发展。