理想极化电极（IPE）是研究电极/溶液界面的理论前提，定义为在研究电位范围内不发生任何电极反应，$R_f\to\infty$，等效电路为纯电容 $C$，界面状态由界面张力 $\sigma$、表面剩余电荷密度 $q$ 和微分电容 $C_d$ 随电极电位 $\phi$ 的变化描述。由 Gibbs 等温吸附方程出发，结合电子吸附量 $\Gamma_e=-q/F$ 与 $\mathrm d\mu_e=-F\mathrm d\phi$，可得 Lippmann 公式 $$ \left(\frac{\partial\sigma}{\partial\phi}\right)_{T,p,\mu_i}=-q $$ 当 $\sigma$ 最大时 $\partial\sigma/\partial\phi=0$，此时 $q=0$，对应零电荷电位 $\phi_0$。微分电容定义为 $$ C_d=\left(\frac{\partial q}{\partial\phi}\right)_{T,p,\mu_i}=-\left(\frac{\partial^2\sigma}{\partial\phi^2}\right)_{T,p,\mu_i} $$ 积分电容为 $$ C_i=\frac{q}{\phi-\phi_0}=\frac{1}{\phi-\phi_0}\int_{\phi_0}^{\phi}C_d\,\mathrm d\phi $$ 因微分法比积分法更灵敏，故微分电容法测 $C_d$ 进而求 $q$ 比电毛细曲线法更精确。双电层模型方面，Helmholtz 模型将界面视为平板电容器，$C_{\mathrm H}=\epsilon_0\epsilon_r/l$，预测电容恒定，无法解释 $C_d$ 随 $\phi$ 变化及稀溶液最小值；Gouy-Chapman 模型考虑离子热运动，在 $|z\psi_1F|\ll RT$ 时导出 $$ q\approx\sqrt{\frac{2c\epsilon_0\epsilon_r}{RT}}zF\psi_1,\qquad C_{\text{分}}=\sqrt{\frac{2c\epsilon_0\epsilon_r}{RT}}zF $$ 德拜长度为 $$ l=\frac{RT}{zF}\sqrt{\frac{\epsilon_0\epsilon_r}{2c}} $$ 于是 $l\propto1/\sqrt c$、$C_{\text{分}}\propto\sqrt c$，可解释 $C_d$ 随浓度增大及稀溶液最小值，但忽略紧密层，无法解释浓溶液平台；Stern 模型将紧密层与分散层串联， $$ \frac1{C_d}=\frac1{C_{\text{紧}}}+\frac1{C_{\text{分}}} $$ 稀溶液中 $C_d\approx C_{\text{分}}$，浓溶液中 $C_d\approx C_{\text{紧}}$，从而解释平台区。特性吸附方面，阴离子使 $\phi_0$ 负移并在更正电位处升高 $C_d$，形成内紧密层 IHP，阴离子脱去水化膜直接吸附使厚度减小；少数阳离子使 $\phi_0$ 正移并升高 $C_d$；有机分子使 $\phi_0$ 正或负移，在 $\phi_0$ 附近降低 $C_d$ 且两侧出现吸脱附峰，形成吸附偶极子层。氢、氧在 Pt 等催化电极表面的吸附伴随电化学反应，体系不是 IPE，不能用 $C_d$ 或 $\sigma$ 研究，需采用充电曲线法或循环伏安法：充电曲线分为氢吸附区、双电层区和氧吸附区；循环伏安中最负电位区为可逆氢吸附/脱附峰，中间平台为双电层充电，最正电位区为不可逆氧吸附/脱附峰并伴随滞后环和钝化。

本文围绕椭圆曲线密码学及其标准算法展开，首先介绍有限域 $\mathbb{F}_p$ 上短 Weierstrass 椭圆曲线 $E:y^2=x^3+Ax+B$，判别式 $\Delta=-16(4A^3+27B^2)\not\equiv0\pmod p$，以及由无穷远点 $\mathcal{O}$ 和仿射点构成的有限交换群 $E(\mathbb{F}_p)$，其阶满足 Hasse 定理 $|E(\mathbb{F}_p)|=p+1-t$，$|t|\le2\sqrt p$。群律由弦切构造给出：点加斜率 $\lambda=\frac{y_2-y_1}{x_2-x_1}\pmod p$，交点的 $x_3=\lambda^2-x_1-x_2$、$y_3=\lambda(x_1-x_3)-y_1$，并取反射点 $P+Q=(x_3,-y_3)$；点倍乘时斜率改为 $\lambda=\frac{3x_1^2+A}{2y_1}$，且 $2P=(x_3,-y_3)$。由此定义点乘 $[k]P$ 与基点阶 $n$，并引出椭圆曲线离散对数问题（ECDLP）：已知 $Q=[k]G$ 求 $k$，其通用复杂度约为 $\sqrt{\pi n}/2$，是 ECC 安全性的基础。文章随后介绍 ECDH 密钥交换，双方私钥 $d_A,d_B$ 与公钥 $Q_A=[d_A]G$、$Q_B=[d_B]G$，共享秘密为 $$ [d_A]Q_B=[d_A d_B]G=[d_B]Q_A $$ 并给出 ECDSA 签名与验证流程，签名 $r=x_1\bmod n$、$s=k^{-1}(z+rd_A)\bmod n$，验证时计算 $w=s^{-1}\bmod n$、$u_1=zw\bmod n$、$u_2=rw\bmod n$，检查 $[u_1]G+[u_2]Q_A$ 的 $x'$ 是否满足 $x'\bmod n=r$。接着重点介绍商密 SM2 算法：推荐 256 位曲线参数，签名前先计算包含用户标识与曲线参数的预处理值 $$ ZA=H_{256}(\mathrm{ENTL}_A\parallel\mathrm{ID}_A\parallel a\parallel b\parallel G_x\parallel G_y\parallel Q_{A,x}\parallel Q_{A,y}) $$ 再计算 $e=H_{256}(ZA\parallel M)$，随机 $k$ 得 $[k]G=(x_1,y_1)$，令 $r=(e+x_1)\bmod n$，并计算 $$ s=(1+d_A)^{-1}(k-rd_A)\bmod n $$ 验证时计算 $t=(r+s)\bmod n$、$[s]G+[t]Q_A=(x_1',y_1')$，判断 $R=(e'+x_1')\bmod n$ 是否等于 $r$；其正确性源于 $$ [s]G+[t]Q_A=[s]G+[r+s]d_AG=kG $$ 文中还简要说明 SM2 公钥加密采用混合体制，密文为 $C_1\parallel(M\oplus t)\parallel\mathrm{SM3}(x_2\parallel M\parallel y_2)$，并给出基于 OpenSSL 3.x 的 C 语言 SM2 签名/验证示例，以及独立实现有限域运算、SM3 哈希、ZA 计算、签名与验证的完整 Python 代码，用于直观展示 SM2 的数学流程与逻辑。

SM4 是一种分组长度和密钥长度均为 128 位的分组密码算法，采用 32 轮非平衡 Feistel 结构。明文分为四个 32 位字 $P=(X_0,X_1,X_2,X_3)$，每轮迭代为 $$ X_{i+4}=F(X_i,X_{i+1},X_{i+2},X_{i+3},rk_i)=X_i\oplus T(X_{i+1}\oplus X_{i+2}\oplus X_{i+3}\oplus rk_i) $$ 其中合成变换 $T(A)=L(\tau(A))$，非线性变换 $\tau$ 将 32 位字分为 4 个字节并分别进行 S 盒代换，线性变换为 $$ L(B)=B\oplus(B\lll 2)\oplus(B\lll 10)\oplus(B\lll 18)\oplus(B\lll 24) $$ 经过 32 轮后得到 $(X_{32},X_{33},X_{34},X_{35})$，再经反序变换得到密文 $$ C=R(X_{32},X_{33},X_{34},X_{35})=(X_{35},X_{34},X_{33},X_{32}) $$ 密钥扩展由 128 位主密钥 $MK_0,MK_1,MK_2,MK_3$ 通过类似迭代过程生成轮密钥 $rk_i$。与 AES 相比，SM4 采用 Feistel 网络，加解密结构相同、仅轮密钥顺序相反，而 AES 采用 SPN 网络，解密需要逆操作；两者 S 盒均基于有限域 $GF(2^8)$ 求逆但仿射变换不同。文中还给出 Python 可视化线性变换 $L$ 的示例，输入 $0x657E5274$ 经过 $L$ 变换得到 $0x347a219b$。

该文系统阐述了机器学习在材料科学中从组成特征到静态预测、再到动态过程建模的完整框架。第一章构建高维“材料性质空间”，将元素表示为属性向量 $\mathbf{v}_{\text{element}}=[p_1,p_2,\dots,p_n]$，化合物则通过原子分数加权平均得到 $\mathbf{f}_{\text{compound}}=\sum_{i\in\text{elements}}c_i\mathbf{v}_i$；但该组成级特征无法区分同分异构或同素异形体，例如 TiO$_2$ 的 rutile、anatase 和 brookite 带隙不同却具有相同特征向量，因此需引入结构信息如 GNN 或 Voronoi 指纹。第二章建立静态材料空间，学习从特征到性质的映射 $P\approx\hat P=f(\mathbf{f}_{\text{compound}};\theta)$，以均方误差 $\mathcal L_{MSE}=\frac1N\sum_{i=1}^N(P_i-f(\mathbf f_i;\theta))^2$ 训练模型并优化 $\theta^*=\arg\min_\theta\mathcal L$，示例使用梯度提升回归预测带隙，并以三元相图可视化性质景观。第三章引入过程与时间，将模型扩展为 $\hat P=f(\mathbf f_{\text{composition}},\mathbf P_{\text{process}};\theta)$，其中过程参数可为标量向量或时间-温度序列；以共析钢 TTT 图为例，说明同一成分经慢冷、等温转变和快冷可分别得到珠光体、贝氏体和马氏体，最终目标是从静态预测走向动态过程设计，实现给定目标组织逆向搜索最优工艺路径。

该文综述了机器学习在材料科学中的前沿进展，指出其正推动该领域从传统试错模式转向预测与加速发现的新范式，重点介绍了生成模型、物理信息神经网络（PINNs）和图神经网络（GNNs）三类先进模型及其数学原理与代码实现。生成模型用于逆向设计，通过潜在空间采样生成具有目标性能的新材料，其中变分自编码器的损失函数为 $$ \mathcal{L}(\theta,\phi;\mathbf{x})=\mathbb{E}_{q_\phi(\mathbf{z}|\mathbf{x})}[\log p_\theta(\mathbf{x}|\mathbf{z})]-D_{KL}(q_\phi(\mathbf{z}|\mathbf{x})\|p(\mathbf{z})) $$ PINNs 将物理定律嵌入训练过程，总损失由数据损失与物理损失加权构成 $$ \mathcal{L}_{Total}=\mathcal{L}_{Data}+\lambda\mathcal{L}_{Physics} $$ GNNs 则将晶体结构视为图，通过消息传递更新原子表示 $$ \mathbf{h}_i^{(l+1)}=\sigma\left(\mathbf{W}^{(l)}\cdot\left(\mathbf{h}_i^{(l)}+\sum_{j\in\mathcal{N}(i)}\mathbf{h}_j^{(l)}\right)\right) $$ 文中还给出了 VAE 和 GNN 的概念性 Python 示例，并讨论了这些方法在加速材料发现、预测性能、生成新结构以及降低研发成本、风险和时间方面的应用前景。