多模态模型加速新材料与工业应用匹配,无需完整晶体结构即可预测材料性质

【信息科学与工程学】信息科学领域---第二篇 材料工程15 材料参数09 E_a,cryst 越大,非晶态越稳定,数据保持力越好,但写入所需的能量也可能更高。分析材料电子结构的基本工具,可从中解读电学、光学、磁性等性质,并识别特定原子/轨道对费米能级附近态的贡献。用于判断模型是欠拟合(随样本增加,性能持续提升)还是过拟合(性能很快饱和),并评估收集更多数据的必要性。可判断晶格动力学稳定性(无虚频),计算声子态密度、热力学性质(如自由能、热容),并预测可能的结构相变。可以探测电子的集体激发(如等离激元)的色散关系 ω(q),是研究材料电子激发和等离激元物理的有力工具。 阅读详情

橘生淮南则为橘,橘生淮北则为枳。同一颗种子落在不同的土壤和气候中收获的果实也大相径庭,这一自然界的成长规律在材料化学领域同样凸显——新材料面向不同的应用场景所激发的性能也不尽相同。有研究表明,科学家每年都会创建出数十万种新材料,它们就像无数颗潜力巨大的「种子」,需要植根于与之匹配的环境中才能茁壮成长。

尽管目前的新材料设计往往是针对特定应用而合成的,但是其在不同领域往往也有潜在用途,而如何快速确定新材料的应用场景仍是一项颇具挑战的任务。以应用广泛的晶体材料金属有机框架(MOFs)为例,其最显著的用途是氢气、甲烷等气体的储存介质,并在膜、薄膜器件、催化和生物医学成像等领域展现出优异的性能潜质。而确定 MOFs 最优应用的传统途径均需依赖材料特性作为中介判断依据,但测试成本高(时间、设备、专业知识等)。此外,对于计算筛选与机器学习方法而言,则需要基于完整晶体结构来预测特性,但晶体结构解析耗时且在 MOFs 合成后无法即时获取。

针对于此,加拿大多伦多大学化学工程与应用化学系的研究团队提出了一种基于多模态机器学习模型的新方法,利用 MOFs 合成后即可获得的信息来预测其潜在性能和用途,例如其粉末 X 射线衍射图谱(PXRD)以及所使用的合成化学物质。研究团队为模型添加了应用推荐系统,能在 MOFs 合成后的第一时间给出应用建议,该研究加速了金属有机框架(MOFs)的合成与应用场景的连接。

相关研究以「Connecting metal-organic framework synthesis to applications using multimodal machine learning」为题,发表于 Nature Communications 。

研究亮点:

* 该方法仅使用合成后即可获得的信息来预测 MOFs 的潜在性质和用途,在 MOFs 合成后的第一时间进行应用推荐,大幅缩短材料从合成到应用的周期;

* 模型预测性能与需要精确晶体结构输入的先进模型(如 CGCNN 、 MOFormer)相当,且在部分条件下表现更优,在面对实验噪声、晶体结构缺陷等情况下依旧稳定可靠,具有良好的鲁棒性;

* 该研究结合可视化应用推荐系统构建了一个合成-预测-应用闭环系统;

 

论文地址:

Connecting metal-organic framework synthesis to applications using multimodal machine learning | Nature Communications

关注公众号,后台回复「MOFs」获取完整 PDF

更多 AI 前沿论文: HyperAI

「数据即合成现场」:面向应用预测的 MOFs 数据构建策略

在本次研究中共使用了 6 个金属有机框架(MOFs)数据库进行模型训练与评估:CoRE-2019 、 BW20K 、 ARABG 、 QMOF 、 hMOF 、 CSD 子集。其中:

* hMOF 提供超大规模的假想结构库,有助于提高模型泛化能力。

* BW20K 和 ARABG 用于增强多样性和支持小样本任务。

* CSD 子集用于测试模型在含有实验偏差下的鲁棒性。

研究团队利用 CoRE 2019 、 BW20K 、 ARABG 、 QMOF 、 hMOF 数据库中提供的晶体结构,通过 pymatgen 的 XRD 模块计算生成 0 到 90 度的模拟 PXRD 图谱,以模拟实际实验中合成后即能获得的结构表征信息。化学前驱体信息则由金属节点与有机连接体组成,构建格式为:[金属类型].[有机连接体],以此输入到模型的 Transformer 通道并进行 分词处理。

自监督预训练驱动的多模态学习框架

研究团队提出了一种自监督预训练驱动的多模态学习框架,旨在摆脱对完整晶体结构的依赖,仅利用合成后即可获得的信息来预测 MOF 的性质与应用潜力。

这一自监督多模态模型的工作流程如下图所示,以前驱体字符串和粉末 X 射线衍射(PXRD)谱作为输入,分别通过 Transformer 和卷积神经网络(CNN)进行嵌入,并传递给回归头(regression head)进行微调。其中前驱体提供了有关材料化学性质的信息,而 PXRD 图谱则补充了有关整体几何结构的信息。

通过 Transformer 编码的化学前驱体字符串,以及 CNN 处理的 PXRD 光谱,经特征拼接与投影构建成统一的表征空间。为了弥补「前驱体+PXRD」无法直接表征局部化学环境的不足,研究团队引入了自监督预训练机制,将模型输出与晶体图卷积神经网络(CGCNN)的嵌入进行对齐,并通过 Barlow Twins 损失约束互相关矩阵接近单位矩阵,从而引导模型习得局部化学环境的表达能力。

在此基础上,经过大规模无标签数据的自监督训练,模型能够在有限标注样本下快速收敛,并实现对孔隙结构、化学依赖特性以及量子化学性质的高精度预测。

自监督多模态模型的工作流程

具体而言,基于从 MOFs 数据库中获取的晶体结构,即使在数据量较小的情况下,该方法也能准确预测各种特性,包括孔隙结构、化学依赖特性和量子化学特性。

在自监督与训练的环节通过构建自监督学习(SSL)管道,在晶体图卷积神经网络(CGCNN)和模型之间进行表征学习,避免模型无法从输入中理解 MOF 局部环境的局限性。模型的权重得以初始化,使其能够快速收敛到解决方案。针对 CGCNN 嵌入进行自监督学习,从 CGCNN 和模型的投影器中提取每个大小为 512 的嵌入,构建一个形状为(512,512)的互相关矩阵,使用巴洛双胞胎损失函数(Barlow-Twin loss)来最小化差异,使互相关矩阵接近单位矩阵,从而实现表征学习。

多模态模型的各项评估

为了证明模型可以有效预测各种 MOFs 特性,为 MOFs 合成与应用相结合奠定基础,研究团队对模型的准确性进行了评估,用斯皮尔曼等级相关系数(SRCC)和平均绝对误差(MAE),评估模型在几何依赖性能、化学依赖性能和量子化学性能上的预测精度,并与 CGCNN 、 MOFormer 和基于描述符的机器学习模型进行基准对比。

结果显示,该模型的模型精度与依赖完整晶体结构的模型相当,甚至在几何性能上优于 CGCNN 和 MOFormer,从而验证了仅用合成信息即可实现高准确率的性质预测,为 MOFs 合成到应用的快速匹配奠定实验基础。

模型在各种属性预测任务中的表现

除此之外团队进行了消融实验,将仅依赖化学前驱体的模型以及仅依赖 PXRD 的模型,与本研究的多模态模型进行比较。结果表明,仅接受化学前体作为输入的模型无法有效捕捉 MOF 的整体结构,在几何相关和纯几何性质方面得分较低;而仅接受 PXRD 的模型虽能很好地捕捉 MOF 的整体结构,但无法反映局部环境,在化学相关和量子化学性质(如低压下的 CO₂ 吸附和带隙)方面得分较低,二者均存在一定的短板。结果表明只有将 PXRD(提供几何信息)与前体字符串(提供化学信息)结合,多模态模型才能在三类性质预测中全面准确,单独使用任一模态则表现明显不足。

模型稳定性验证:应对结构误差与实验噪声的鲁棒性评估

稳定性是评估机器学习模型能否在实际场景中可靠应用的重要指标。为此,研究团队系统性地评估了所提出的多模态模型在非理想条件下的鲁棒性。首先,研究人员利用从剑桥结构数据库(CSD)提取的实验晶体结构,计算出相应的 PXRD 图谱,用以模拟真实实验中常见的结构偏差,例如缺失氢原子、存在结合或未结合的溶剂等,将评估聚焦于一个几何相关属性:用于甲烷储存应用的高压下甲烷吸附能力预测。

结果表明,模型在上述变异条件下依然能够保持良好的预测能力,对 CH₄ 高压吸附性能的排序具有较强的一致性,相对误差控制在 13% 以下,展现出较高的鲁棒性。

在此基础上,团队进一步引入实际测量的 PXRD 图谱进行测试,验证模型在面对仪器噪声、温度波动等实际测量误差时的稳定性。尽管部分样本中模拟与实验图谱存在显著差异,模型在大多数情况下依然给出了与模拟图谱相近的推荐结果,仅在噪声显著或峰位错位明显的个别案例中出现差异。结合以上实验表明,该多模态模型不仅在理想结构输入条件下具有高度预测准确性,而且在实验结构不完善或 PXRD 存在噪声的情况下,仍保持稳健性能,验证了其在实际材料研究和应用中的广泛适用性。

下图展示了模型推荐结果,比较了模拟 PXRD 图谱和实验 PXRD 图谱的差异:

模拟 PXRD 图谱和实验 PXRD 图谱比较

合成-应用一体化推荐系统

基于模型的出色表现,研究人员构建了一个可视化的潜在应用推荐系统,能够根据预测的材料性能将新合成的 MOFs 与潜在应用(如气体储存、碳捕获等)进行匹配。其使用 t-SNE 技术获取模态模型潜在空间的投影,用颜色表示金属有机骨架 (MOFs) 的推荐应用。下图展示了将合成信息映射至应用场景:

 

为了验证模型对未来材料应用的预测能力,研究者们进行了一项时间回溯实验(time-travel experiment)。使用 2017 年之前存储在 CSD 数据库中的 CoRE-2019 条目训练模型,并使用 2017 年之后存储的条目作为测试集,以此模拟对未来材料的预测。实验的目标是预测这些 MOFs 在二氧化碳吸附这一特定应用中的表现,结果显示,模型成功地识别出了 18 种有潜力用于碳捕获的 MOF,这 18 种 MOF 中,有 15 种原本是为其他应用而设计的。

其中一些 MOFs 及其基于相应的预期合成应用

机器学习助力材料科学领域革命

本文介绍了一种无需晶体结构即可准确预测 MOFs 多种性质并匹配应用的多模态机器学习方法,而这种由数据驱动的浪潮,正在不同时空朝着更广泛的材料体系蔓延。例如,北京科技大学谢建新&宿彦京团队针对可解释机器学习在材料科学中的应用进行了探讨。指出了通过将材料知识与机器学习相结合,可以显著提高模型的泛化能力和预测精度,为材料科学领域的发展打开新视角。相关研究以「Interpretable Machine Learning Applications: A Promising Prospect of AI for Materials」为题,发表于 Advanced Functional Materials 。

论文地址:

https://advanced.onlinelibrary.wiley.com/doi/abs/10.1002/adfm.202507734

来自美国阿贡国家实验室的研究团队,提出了一种生成式 AI 框架 GHP-MOFsassemble,该框架能够随机生成并组装新的 MOFs 结构,通过分子动力学模拟筛选高稳定性的 MOFs 结构,并用晶体图神经网络 (Crystal Graph Convolutional Neural Network, CGCNN) 和 Grand Canonical Monte Carlo simulations 来测试 MOFs 对二氧化碳的吸附能力。相关研究以「A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture」为题,发表于 Communications Chemistry 。

论文地址:

A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture | Communications Chemistry

来自牛津大学的课题组曾发表题目为「The amorphous state as a frontier in computational materials design」的研究,强调了机器学习在打破材料设计传统限制中的关键作用。展示了计算建模和人工智能的最新进展如何弥补非晶态固体原子尺度结构、微观性质和宏观功能之间此前缺失的联系。

论文地址:

The amorphous state as a frontier in computational materials design | Nature Reviews Materials

这一系列研究共同勾勒出一幅清晰的图景:材料科学正在进入智能化新时代,我们正处在一场由机器学习引领的材料研究转型之中,更重要的是,智能已经从新材料设计、合成,逐步蔓延至应用场景环节,势必将进一步推动新材料落地。

参考资料:

1.https://pubs.acs.org/doi/10.1021/cr300014x

一键获取 2023—2024 年 AI4S 领域高质量论文及深度解读文章 ⬇️

 

【信息科学与工程学】【物理/化学科学和工程技术】知识体系081 磁学——系列二 电磁学——电磁学理论模型01 编号模型名称核心数学描述关键参数与物理意义应用场景与说明EM1.001​麦克斯韦微分方程组∇·D=ρ, ∇·B=0, ∇×E=-∂B/∂t, ∇×H=J+∂D/∂tD-电通密度(C/m²), B-磁通密度(T), E-电场强度(V/m), H-磁场强度(A/m)所有电磁现象的基本控制方程,集成电路电磁分析基础EM1.002​麦克斯韦积分方程组∮S D·dS=Q, ∮S B·dS=0, ∮C E·dl=-dΦ_B/dt, ∮C H·dl=I+dΦ_D/dtQ-电荷(C), Φ_B-磁通(Wb), I-电流(A 阅读详情

相关推荐

【信息科学与工程学】【物理/化学科学和工程技术】知识体系073——电学基础04

​。

weixin_49199313的博客 2620

大模型!框架材料研究的“最强大脑”?

基于大语言模型的框架材料知识图谱的构建及其应用。

2401_85375151的博客 847

【信息科学与工程学】计算机科学与自动化-第十一篇 机械工程04 机械结构

上述表格总结了常见机械几何结构的参数特性及其应用场景,涵盖宏观几何参数、微观物理特性等多个层面。这些参数在设计、制造、分析和优化机械结构时都需要综合考虑,以确保结构满足功能、性能、可靠性和寿命要求。注意:微观层面特性通常涉及材料科学、纳米技术和表面工程等领域,对结构的疲劳、磨损、腐蚀、摩擦和润滑等性能有重要影响。宏观层面特性则决定结构的运动学、动力学、强度、刚度和稳定性等整体性能。实际应用中,需根据具体工况(载荷、速度、温度、环境等)选择合适的参数组合,并进行多学科优化设计。上表整理了常见机械几何结构的参数

weixin_49199313的博客 1159

【有限元材料属性深度解析】:掌握5大关键参数,精准提升仿真精度

掌握有限元仿真关键,精准提升分析精度。本文深入解析有限元的材料属性中弹性模量、泊松比等5大核心参数,涵盖实际工程应用场景与参数设置方法,有效提高计算准确性。仿真工程师必备指南,值得收藏。

simcode的专栏 1419

【信息科学与工程学】【解决方案体系】企业知识库知识内容涵盖系列

1.2 知识领域分层 (D: 01-20) 1.3 尺度层次分类 (S: 01-10) 二、物理科学知识体系 (01-XX-XXX-XXXXX) 2.1 基础理论层次 编码名称理论描述数学表达式特征/定理关联编码01-01-001-00001​量子力学基础微观粒子行为理论薛定谔方程: iħ∂ψ/∂t = Ĥψ波粒二象性, 不确定性原理01-02-101-0000101-01-001-00002​量子电动力学电磁相互作用理论拉氏量: L = ψ̄(iγᵐ∂ₘ -

weixin_49199313的博客 1036

【高速互连技术】合规性测试规范:物理层信号完整性与链路均衡验证系统设计

内容概要:本文档介绍了分析工具进行实践对照,并关注后续规范版本更新以确保符合最终发布标准。

科学智能:AI如何从数据拟合迈向科学发现

人工智能正从传统的科学计算工具,演变为具备科学发现潜力的认知伙伴。其核心在于通过因果推理、知识图谱、强化学习等关键技术,实现从海量高维数据中识别模式、提出假设乃至推导新理论的能力。这一技术演进的价值在于将科学家从重复性劳动中解放,聚焦于更具创造性的问题提出与综合判断。在材料发现、文献挖掘、复杂系统优化等应用场景中,科学智能通过图神经网络、贝叶斯优化、领域预训练模型等技术栈,正推动科研范式从“人机协作”向“混合智能”转变。理解AI如何从“拟合数据”迈向“发现规律”,已成为把握前沿科技趋势的关键。

weixin_33898233的博客 450

万人睡眠健康与生活方式调查数据集

成年人群睡眠健康与生活方式研究数据集,合成模拟10000行20列单CSV文件,睡眠障碍标记人群占比约四分之一。设置双预测目标:睡眠障碍二分类字段与日间疲劳得分回归字段,可分别开展分类与回归建模。特征字段涵盖年龄、性别、十一种职业类别、每周工作时长、轮班工作标记、自我压力评分、身体质量指数BMI、吸烟状态、每周饮酒量、每日咖啡因摄入毫克数、睡前一小时屏幕使用时间、每周运动分钟数、日均步行数、静息心率、习惯就寝时间点、平均睡眠时长、睡眠质量自评等二十项。数据完整无缺失,结果列与特征列分离清晰,便于目标泄漏防范练习。适用场景:睡眠障碍预测建模、日间疲劳程度回归分析、咖啡因与睡前屏幕对睡眠时长的影响量化、不同职业群体睡眠质量对比研究、逻辑回归与梯度提升模型对比实战等。合成数据不含真实个人信息,适合健康数据分析教学、特征工程练习与机器学习课程实训项目使用。

AI智能体驱动原子尺度研究:AtomisticSkills架构与实战

在材料科学与计算化学领域,原子尺度模拟是理解物质微观性质的核心技术,它通过第一性原理计算和分子动力学等方法,从原子层面揭示材料的结构与性能关系。其基本原理基于量子力学和经典力学,通过求解薛定谔方程或牛顿运动方程,预测材料的电子结构、力学行为和反应路径。这项技术的价值在于能够以低成本、高效率的方式探索庞大的材料设计空间,加速新材料的发现与优化。随着人工智能技术的发展,特别是大语言模型和强化学习的进步,科研范式正从传统的手动模拟向自动化、智能化演进。应用场景已扩展到新能源材料筛选、催化剂设计、药物分子优化等前沿

336

FANUC-R2000iC165F-六轴机械臂码垛仿真

FANUC_R2000iC165F_六轴机械臂码垛仿真

frontend-design skills

frontend-design skills

国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文提出了一种自适应多机器人编队规划方法,旨在实现对具有运动能力和可见性约束目标的高效包围与持续跟踪,采用Matlab进行算法实现与仿真验证。该方法综合考虑了多机器人系统在动态环境中的协同控制、编队形态生成与保持、障碍物规避以及目标可见性维护等关键问题,通过设计分布式控制律使编队能够根据目标行为和环境变化自适应调整队形与运动轨迹,确保稳定包围并最大化目标观测质量。文中详细阐述了系统的数学建模过程、控制策略设计原理及约束处理机制,并提供了多场景下的仿真实验结果,验证了所提方法在复杂条件下的鲁棒性、灵活性与有效性。; 适合人群:具备自动化、机器人学、控制理论或人工智能等相关领域基础知识的科研人员及研究生,熟悉Matlab编程环境并致力于多智能体系统、协同控制、路径规划或智能无人系统研究的专业人士。; 使用场景及目标:①应用于多机器人系统在监视、围捕、搜救等任务中对移动目标的协同包围与跟踪控制;②为研究分布式编队控制、可见性优化、动态避障与多智能体协同决策等核心技术提供可复现的算法实例与理论支撑; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现细节,重点关注控制律设计、约束建模与仿真结果对比部分,宜在仿真环境中调整参数配置以深入理解系统性能边界与优化潜力。

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

高校技术转移办公室人员如何提升成果转化服务效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)内容概要:本文介绍了基于NSGA-II多目标优化算法对包含风能、光伏、火电、储能系统、需求响应及电转气(P2G)等多种能源形式的综合能源系统进行优化调度的研究,采用Matlab进行代码实现。研究综合考虑了系统运行成本、碳排放、能源利用率等多个优化目标,通过建立精确的数学模型,结合可再生能源出力不确定性、负荷波动以及需求响应机制,实现多能源协同调度的帕累托最优解集求解,旨在提升能源系统的经济性与环保性,并验证所提方法的有效性和实用性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员以及从事能源系统规划与运行相关工作的工程技术人员。; 使用场景及目标:①应用于多能源互补的综合能源系统优化调度研究;②为实现低碳、高效、可靠的能源供应提供决策支持;③学习和掌握NSGA-II算法在复杂多目标优化问题中的实际应用方法。; 阅读建议:建议读者结合Matlab代码与文中模型描述逐步理解算法实现流程,重点关注目标函数构建、约束处理及Pareto解集的生成与分析,有条件者可进一步修改参数或扩展模型以深化理解。

国内外主流嵌入式GUI汇总

随着MCU资源增多,处理能力也强了,同时市场需求也增多了GUI功能也越来越丰富了,很多的嵌入式图形库都可以做出绚丽的界面。

m0_69914734的博客 3292
上一篇: 【vLLM 学习】Mlpspeculator
下一篇: 利好AI4S!国务院「人工智能+」行动意见出炉,点名生物制造、医疗健康
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值