Repository navigation
Expand file tree
/
Copy pathscript.js
More file actions
285 lines (276 loc) · 25.7 KB
/
Copy pathscript.js
File metadata and controls
285 lines (276 loc) · 25.7 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
const projects = [
{
id: "llm-mcts", category: "llm", index: "01", label: "LLM · Agents",
title: "LLM + MCTS 检索增强智能体",
summary: "把大模型策略、蒙特卡洛树搜索和 RAG 专家轨迹接到同一套探索循环里,让智能体在长程任务中可规划、可回放。",
visual: ["LLM Policy", "MCTS", "RAG 轨迹", "Belief"], metrics: [["核心模块", "4"], ["搜索", "MCTS"]],
details: ["项目用大模型生成先验策略,再以 MCTS 在动作空间里做前瞻搜索,而不是单步贪心解码。", "RAG 检索库保存专家轨迹,搜索时用来校正信念状态和剪枝明显差的分支。", "探索器、引导智能体和轨迹回放脚本构成完整闭环,适合展示长程决策而不是聊天封装。"]
},
{
id: "minerals", category: "llm", featured: true, index: "02", label: "LLM · Policy Intelligence",
title: "关键矿产跨语言情报分析",
summary: "融合政策、媒体、智库与中英文学术文献,量化美澳关键矿产政策协同和议题演变。",
preview: "./assets/minerals-report-collage.png", image: "./assets/minerals-network.png", metrics: [["文本", "7,392"], ["分析路线", "3"]],
details: ["项目使用 Sentence Transformer、BERTopic、UMAP 和 HDBSCAN 对中英文政策、媒体、智库和学术文本进行语义聚类。", "PELT、CUSUM、KDE 与事件窗口检验用于识别政策密度变化和关键时间节点。", "NetworkX 与 Louvain 社区发现进一步构建关键词和机构网络,使 7,392 篇文本转化为可比较的政策协同与供应链指标。"]
},
{
id: "spatialrgpt", category: "llm", index: "03", label: "Vision–Language · Spatial",
title: "SpatialRGPT 空间视觉问答",
summary: "把大模型接到 RGB 与空间视觉输入上,让模型在场景里回答位置、关系和区域描述,而不只做图像分类。",
visual: ["RGB", "Spatial tokens", "LLaMA", "区域问答"], metrics: [["骨干", "LLaMA"], ["输入", "RGB + 空间"]],
details: ["项目在 SpatialRGPT 框架上组织 RGB 图像、空间 token 和大模型对齐训练。", "训练脚本覆盖 LLaMA 权重准备、多模态投影和指令微调,目标是空间关系而不是开放聊天。", "和普通 VQA 相比,难点在区域定位、三维关系和语言输出必须同时对齐。"]
},
{
id: "qvlm", category: "llm", index: "04", label: "Vision–Language Model",
title: "QVLM / LLaVA 多模态微调",
summary: "在 LLaVA 1.5 与 QVLM 上做视觉指令微调,用混合验证集检查图文对齐和开放视觉问答质量。",
visual: ["图像编码", "投影层", "LLM 解码", "VQA"], metrics: [["基座", "LLaVA-1.5"], ["验证", "混合 jsonl"]],
details: ["项目同时保留 QVLM 与 LLaVA 工程,用来对比不同视觉语言对齐方式。", "混合验证 jsonl 覆盖描述、定位和多轮问答,而不是单一 caption 指标。", "交付重点是可复现的微调与评测流程,而不是再包一层聊天界面。"]
},
{
id: "refseg", category: "llm", featured: true, index: "05", label: "Vision–Language · Segmentation",
title: "Qwen3-VL 指代表达分割",
summary: "在 Qwen3-VL-2B 上接入 Seg Expert,让模型根据自然语言描述定位并分割图像目标。",
image: "./assets/refseg-sample.png", metrics: [["平均 IoU", "0.524"], ["最高 IoU", "0.926"]],
details: ["项目使用 Qwen3-VL、Qwen-ViT 与 PyTorch 把指称表达式接到分割专家头上。", "模型必须同时理解开放词汇描述和像素级边界,而不是只输出检测框。", "在 RefCOCO 验证样本上平均 IoU 为 0.524、最高 0.926,并保留失败案例用于分析语言歧义。"]
},
{
id: "llm-kg", category: "llm", index: "06", label: "LLM · Knowledge Graph",
title: "大模型流程解析与 Neo4j 图谱",
summary: "用大模型做指代消解和 BPMN 网关识别,再把实体关系写入 Neo4j,形成可查询的流程知识图谱。",
visual: ["文档", "指代消解", "网关抽取", "Neo4j"], metrics: [["图数据库", "Neo4j 5.19"], ["任务", "抽取 + 入库"]],
details: ["token 分类和指代消解模块先把流程文本拆成可对齐的实体与事件。", "大模型提示词专门处理 XOR / AND 等网关逻辑,避免把控制流写成普通三元组。", "json2neo4j 与图生成脚本把结果落进 Neo4j,可用 Cypher 回溯决策路径。"]
},
{
id: "bart-kg", category: "llm", index: "07", label: "LLM · Graph Neural Nets",
title: "BART + 知识图谱生成",
summary: "把 GAT 编码的知识图谱节点接到 BART 编码器,让生成过程能引用结构化事实而不是只靠文本上下文。",
visual: ["KG 节点", "GAT", "BART", "条件生成"], metrics: [["编码器", "GAT + BART"], ["任务", "KG-to-Text"]],
details: ["图注意力网络先对实体邻域做消息传递,再把节点表示注入 BART。", "生成端需要在流畅性和事实约束之间折中,避免编造图谱中不存在的关系。", "工程包含独立的模型、检查点和数据集目录,便于做有无图谱的消融。"]
},
{
id: "dissemination", category: "llm", index: "08", label: "LLM · Text Dynamics",
title: "科幻与媒体议题传播分析",
summary: "对科幻文本、论文、主流媒体和社交媒体语料做主题与传播路径分析,观察同一议题如何跨圈层扩散。",
visual: ["多源语料", "主题聚类", "传播路径", "可视化"], metrics: [["语料源", "4"], ["输出", "路径图"]],
details: ["预处理把四类语料统一到可比较的文档-主题空间,而不是混在同一个词袋里。", "传播分析同时看时间顺序和媒介跳转,用来区分原创议题和二次转写。", "可视化脚本输出圈层扩散图,适合展示文本模型如何服务媒介研究而不是情感打分。"]
},
{
id: "mv-vton", category: "gen", index: "09", label: "Generative · Virtual Try-on",
title: "MV-VTON 多视角虚拟试衣",
summary: "用多视角生成网络把服装映射到人体,处理视角变化、遮挡和纹理一致性,而不是单张正面换装。",
visual: ["多视角人像", "服装编码", "视角模块", "试衣结果"], metrics: [["任务", "VTON"], ["难点", "多视角一致"]],
details: ["视角模块和数据增强用来稳住侧面、背面和局部遮挡下的服装几何。", "损失函数同时约束外观相似和跨视角一致性,避免每张图各生成一套衣服。", "这是高难度条件生成,目标是跨视角衣服同一件,而不是滤镜拼接。"]
},
{
id: "chiller-gen", category: "climate", index: "10", label: "Generative · Time Series",
title: "冷水机组运行数据生成模型",
summary: "在真实冷水机组时序上比较 Diffusion、VAE 和 WGAN,并用 Optuna 搜索能复现工况分布的生成器。",
visual: ["工况序列", "Diffusion", "VAE", "WGAN"], metrics: [["模型", "3"], ["调参", "Optuna"]],
details: ["生成目标是传感器工况分布,而不是像素图像,因此要同时看边缘分布和时序依赖。", "三套模型各自独立训练和调参,最后在同一套处理后的机组数据上对比。", "结果用于补充稀有故障工况,而不是做无约束随机生成。"]
},
{
id: "uvit", category: "gen", index: "11", label: "Generative · Vision Backbone",
title: "U-ViT 扩散与 Retinex / RMT 视觉栈",
summary: "把 U-ViT 扩散生成、Diff-Retinex 低光增强和 RMT 检测分割放到同一套视觉实验栈里对照。",
visual: ["U-ViT", "Retinex", "RMT", "下游任务"], metrics: [["子系统", "3"], ["任务", "生成 / 增强 / 检测"]],
details: ["U-ViT 用 ViT 做扩散主干,检验 Transformer 在生成任务上的可扩展性。", "Diff-Retinex 单独处理低光分解,RMT 则承担分类、检测和分割。", "三套工程并列,用来说明生成、增强和识别可以共享数据但不共享评价标准。"]
},
{
id: "sd-sim", category: "gen", index: "12", label: "Generative · Attention Control",
title: "Stable Diffusion 注意力编辑",
summary: "在推理过程中记录并修正 SIM 注意力响应,用来分析真实图像编辑每一步的空间控制是否生效。",
visual: ["原图", "Attention", "逐步去噪", "编辑结果"], metrics: [["模型", "Stable Diffusion"], ["输出", "逐步对照"]],
details: ["系统在去噪循环里插入注意力探针,而不是只看最终一张图。", "布局引导和注意力修正用来检查物体是否出现在指定区域。", "逐步可视化让失败可定位到某一层、某一步,而不是笼统说生成不好。"]
},
{
id: "pinn", category: "science", index: "13", label: "Scientific Machine Learning",
title: "工业产率 PINN 建模与诊断",
summary: "把指数衰减机理写入神经网络损失,分析物理约束、参数塌缩与泛化之间的权衡。",
image: "./assets/pinn-prediction.png", metrics: [["过程记录", "30K"], ["过程特征", "16"]],
details: ["项目使用 PyTorch 把指数衰减及其微分约束写进双网络训练,而不是事后用公式去拟合残差。", "诊断重点是参数 a、b、c 会不会塌缩成常数,以及物理项过强时测试集如何变差。", "测试集 R² 约 0.50 被如实保留,用来说明机理约束和数据拟合并不自动互相成就。"]
},
{
id: "materials", category: "science", index: "14", label: "Scientific ML · Materials",
title: "分子动力学迁移学习本构模型",
summary: "从分子动力学轨迹学习有限应变下的弹性响应,再迁移到拉伸、压缩和多向剪切的宏观本构预测。",
visual: ["MD 轨迹", "迁移学习", "能量面", "弹性常数"], metrics: [["加载路径", "9+"], ["输出", "Cij / 能量"]],
details: ["训练数据覆盖拉伸、压缩和正负剪切等多条加载路径,而不是单一单轴曲线。", "模型要同时给出能量面和弹性常数,并接受 Hessian / 自动微分检查。", "难点在有限应变下保持物理对称性和迁移稳定性,属于材料和科学计算交叉。"]
},
{
id: "cosmx", category: "bio", index: "15", label: "Spatial Omics",
title: "CosMx 空间转录组细胞分割",
summary: "在同一 FOV 上对比 Cellpose、StarDist、Baysor 和 ComSeg,评估空间转录组细胞边界的一致性。",
visual: ["FOV 图像", "四套分割", "合并评估", "细胞边界"], metrics: [["方法", "4"], ["数据", "CosMx zarr"]],
details: ["四套算法的假设完全不同:深度学习轮廓、星凸形状、转录本聚类和组合分割。", "同一 FOV 对齐后才能比较谁在拥挤组织里少切、多切或漏切。", "这是空间组学预处理里最难的一步,直接决定下游细胞类型分析是否可信。"]
},
{
id: "spod", category: "science", index: "16", label: "Scientific Computing · Fluids",
title: "流场 POD / SPOD 与复值 ICA",
summary: "对速度场做正交分解、谱 POD 和复值独立成分分析,再结合 Hilbert-Huang 变换提取相干结构。",
visual: ["u / v 场", "POD", "SPOD", "cICA + HHT"], metrics: [["分解", "4"], ["实现", "MATLAB"]],
details: ["POD 抓能量主导结构,SPOD 再按频率把相干模态分开,避免把不同周期混在一个模态里。", "复值 ICA 和 HHT 用来处理非平稳、非正交的流动结构。", "输出是可对照的流场图像,而不是只报一组特征值。"]
},
{
id: "brats", category: "health", index: "17", label: "Medical Imaging · Transformers",
title: "CNN-Transformer 脑肿瘤多模态分割",
summary: "在 BraTS2018 上融合多模态 MRI,用 CNN-Transformer 做肿瘤亚区分割,并做模态消融。",
visual: ["多模态 MRI", "CNN-Trans", "模态消融", "Dice"], metrics: [["数据", "BraTS2018"], ["结构", "CNN + Transformer"]],
details: ["模型同时吃 T1、T1ce、T2、FLAIR,要在缺失某一模态时仍然给出可用分割。", "模态消融和参数量统计用来证明 Transformer 分支不是只在堆参数。", "公开挑战数据让结果可复核,也把难度放在多模态对齐和边界上,而不是私有病历。"]
},
{
id: "dscript", category: "bio", index: "18", label: "Computational Biology",
title: "D-SCRIPT 蛋白质相互作用预测",
summary: "用深度序列模型预测人类蛋白相互作用,再对全蛋白矩阵做命名对齐和结果后处理。",
visual: ["蛋白序列", "D-SCRIPT", "交互矩阵", "后处理"], metrics: [["对象", "Human proteome"], ["输出", "成对得分"]],
details: ["模型从序列直接估计相互作用可能性,不依赖已有结构对接。", "全矩阵预测后还要处理蛋白标识、列名映射和阈值筛选,否则无法和生物学名单对齐。", "日志和后处理脚本说明这是一条可重复的计算生物学流水线。"]
},
{
id: "eroi", category: "bio", index: "19", label: "Scientific Software",
title: "eROI-LC 质谱预处理平台",
summary: "将非结构化 LC-HRMS 原始信号转成可用于组分分析与分子网络的高质量标准矩阵。",
visual: ["mzML", "动态分箱", "EIC 聚类", "GNPS"], metrics: [["核心模块", "11"], ["输出", "MGF/MAT"]],
details: ["平台使用 Python 构建 mzML 解析、动态 m/z 分箱、时间重采样和 MAD 自适应降噪流水线。", "迭代 EIC 聚类、高分辨回溯及电荷态和加合离子识别将原始信号整理为可分析特征。", "系统可直接导出 MGF、MAT 和 GNPS Feature Table,把预处理与分子网络连成完整工作流。"]
},
{
id: "irrigation", category: "climate", index: "20", label: "RL · Resource Allocation",
title: "双 Critic 灌溉优化系统",
summary: "将三作物灌溉决策建模为一步 MDP,以双 Critic 拆分收益与惩罚,并通过线性规划修正现实约束。",
image: "./assets/irrigation-benefit.png", metrics: [["状态维度", "21"], ["算法", "4"]],
details: ["项目使用 PyTorch 构建双 Critic 一步强化学习模型,将经济收益与缺水惩罚分别估计。", "线性规划作为后处理模块修正作物面积、水资源和粮食安全等现实约束。", "OSTC-DP、OSTC-SAC 及单 Critic 消融共同验证模型在不同来水情景下平衡收益与风险的能力。"]
},
{
id: "thz", category: "science", index: "21", label: "RL · Communications",
title: "太赫兹雷达–RIS 波束训练",
summary: "融合雷达感知和 RIS 信息预测最佳通信波束,降低传统穷举搜索的执行成本。",
image: "./assets/thz-pipeline.svg", metrics: [["对比方法", "5"], ["交付", "MATLAB"]],
details: ["项目构建雷达感知与 RIS 信息融合的深度波束预测器和动态码本。", "实验比较穷举、分层、纯雷达、信息融合和深度模型五类方案。", "消融、噪声鲁棒性和推理速度测试表明,该方法能在保持精度的同时降低搜索成本。"]
},
{
id: "valve", category: "science", index: "22", label: "Industrial Decision Support",
title: "阀门维修与换新决策模型",
summary: "从腐蚀、磨损、密封和使用条件中筛选关键因素,预测阀门应维修还是换新,并形成维护建议。",
preview: "./assets/valve-collage.png", image: "./assets/valve-performance.png", metrics: [["阀门样本", "3,295"], ["核心因素", "16"]],
details: ["项目使用随机森林和梯度提升分析 3,295 个阀门样本及 16 项维护因素。", "特征数量搜索用来找腐蚀、磨损、密封和使用条件中真正起作用的变量。", "模型输出被转成维修、换新、采购和库存建议,而不是停在分类准确率。"]
},
{
id: "evidence", category: "data", index: "23", label: "Cognitive · Sequential Models",
title: "多输出序贯证据积累模型",
summary: "把决策过程建成证据随时间累积的多输出模型,用来解释选择、反应时和中间信念如何一起变化。",
visual: ["证据流", "累积过程", "多输出头", "轨迹可视化"], metrics: [["输出", "多任务"], ["形式", "序贯"]],
details: ["模型和普通分类器的差别在于:它必须生成一条随时间演化的证据轨迹。", "多输出头同时拟合选择结果和过程变量,避免只拟合最终标签。", "可视化脚本把累积曲线画出来,便于检查模型是否真的在“积累”而不是一步跳到结论。"]
},
{
id: "robot", category: "science", index: "24", label: "Robotics · Perception",
title: "机器人姿态感知与动作规划",
summary: "用 YOLO 姿态估计和动作分类识别同轴操作,再把感知结果接到 MoveIt 做运动规划。",
visual: ["姿态估计", "动作分类", "MoveIt", "执行"], metrics: [["模块", "感知 + 规划"], ["检测", "YOLO Pose"]],
details: ["视觉端先估计关键点,再判定当前是哪一类同轴或协作动作。", "规划端用 MoveIt 把识别结果变成可执行轨迹,而不是停在离线视频打标签。", "评估脚本同时看分类结果和规划是否能在真实约束下走通。"]
},
{
id: "bapc", category: "health", index: "25", label: "Bayesian Statistics",
title: "酒精性心肌病 BAPC 分析",
summary: "基于公开的 IHME GBD 2023 数据,估计酒精性心肌病的年龄、时期与出生队列相对风险。",
image: "./assets/bapc-age.png", metrics: [["时间跨度", "1990–2023"], ["分组", "9"]],
details: ["项目使用贝叶斯年龄–时期–队列模型与 MCMC,分析 1990–2023 年公开疾病负担数据。", "患病率、死亡率和 DALYs 分别按男性、女性和全人群建模,形成九组可比较结果。", "零值平滑、边界保护和收敛诊断用于稳住估计,并输出 RR 曲线与 DIC。"]
},
{
id: "influenza", category: "health", index: "26", label: "Public Health · Time Series",
title: "流感流行期自动识别",
summary: "基于移动流行区间法识别不同纬度区的流感流行前、流行期与流行后阶段,并搜索最优阈值组合。",
preview: "./assets/influenza-collage.png", image: "./assets/influenza-national.png", metrics: [["参数组合", "1,008"], ["纬度区", "4"]],
details: ["项目使用 R 与 mem 包对 2009–2018 年周检出率序列做自动划分。", "系统遍历四个纬度区、12 个流行年起始周和 21 个 i.param,共评估 1,008 组参数。", "单峰和双峰序列均可处理,最终按敏感度、特异度和约登指数选阈值。"]
},
{
id: "spatial", category: "data", index: "27", label: "Spatial Econometrics",
title: "城市内卷与数字经济空间计量",
summary: "把企业级竞争指标投影到城市面板,构建多类空间权重矩阵,并分析数字经济与城市内卷的空间效应。",
visual: ["企业指标", "城市投影", "空间矩阵", "面板回归"], metrics: [["城市", "285"], ["跨度", "2003–2022"]],
details: ["项目构建 285 个城市、2003–2022 年的空间面板和城市内卷指标。", "邻接、地理距离和经济距离矩阵分开建模,并用 Moran’s I、LM 和 Hausman 选择设定。", "城市个体与时间固定效应用来分离直接影响和空间溢出。"]
},
{
id: "esn", category: "data", index: "28", label: "Dynamical Systems · Forecasting",
title: "ESN 五万步递归预测",
summary: "用双层回声状态网络做超长程递归预测,并把谱半径、泄漏率和正则系数交给贝叶斯优化。",
visual: ["储备池", "双层 ESN", "贝叶斯优化", "长程滚动"], metrics: [["递归步数", "50,000+"], ["调参", "Bayesian"]],
details: ["普通 ESN 在几千步后就会漂,这里把递归目标拉到五万步以上。", "双层储备池用来同时保持短期响应和长期记忆。", "贝叶斯优化搜索谱半径、泄漏率和 alpha,避免手工网格爆掉。"]
},
{
id: "genomic-sem", category: "bio", index: "29", label: "Statistical Genetics",
title: "多表型遗传相关与 Genomic SEM",
summary: "使用 LDSC 和 Genomic SEM 分析多表型遗传相关结构,并生成遗传力、相关矩阵和因子 GWAS 图表。",
visual: ["GWAS 汇总", "LDSC", "Genomic SEM", "因子 GWAS"], metrics: [["流程", "R"], ["输出", "GWAS / SEM"]],
details: ["R 流程覆盖数据准备、遗传相关估计、结构方程建模、因子 GWAS 和可视化。", "LDSC 先给出遗传力和两两相关,SEM 再检验潜在因子是否解释这些相关。", "全部基于公开汇总统计量,不依赖个体基因型原文。"]
},
{
id: "acfault", category: "climate", index: "31", label: "Predictive Maintenance",
title: "空调系统故障提前预警",
summary: "把压比限载故障从实时阈值报警升级为 30、60、120 分钟提前预测,并验证跨机组泛化能力。",
preview: "./assets/ac-fault-collage.png", image: "./assets/ac-fault-auc.png", metrics: [["记录", "34,359"], ["工程特征", "100+"]],
details: ["项目使用 XGBoost、LightGBM、随机森林和 LSTM 做设备故障提前预警。", "23 项原始传感器被扩展为 100 余项滞后、滚动和交叉特征,并严格按时间切分。", "模型分别预测未来 30、60 和 120 分钟的压比限载,再用 SHAP 和跨机组验证看前兆是否可迁移。"]
},
{
id: "sse-mcs", category: "finance", index: "32", label: "Quant · Model Comparison",
title: "上证指数波动建模与 MCS 比较",
summary: "对上证指数收益和已实现波动建模,再用模型置信集比较多套预测方法,给出在统计上站得住的排序。",
visual: ["行情与宏观因子", "波动率模型", "样本外预测", "MCS 排序"], metrics: [["对象", "上证指数"], ["比较", "MCS"]],
details: ["项目同时拟合收益预测和已实现波动,而不是只做一条点预测曲线。", "HAR-RV 等波动率设定和机器学习模型放在同一套滚动窗口里比较。", "模型置信集用来剔除明显更差的方法,避免只看单一 RMSE 就宣布胜负。"]
},
{
id: "copper-trade", category: "finance", index: "33", label: "Trade Network · GNN",
title: "铜矿贸易网络与风险预测",
summary: "用出口地经纬度和贸易额建成铜矿上游网络,再用图神经网络估计节点风险,而不是把每笔贸易当成独立样本。",
visual: ["出口节点", "贸易边", "GNN", "风险得分"], metrics: [["商品", "铜矿上游"], ["年份", "2010"]],
details: ["网络边权来自贸易额,节点位置来自出口经纬度,用来保留地理邻近和贸易集中度。", "图神经网络在邻域上传风险信号,识别易受冲击的枢纽,而不是只看单国总量。", "结果同时给出网络结构和节点风险,便于对照供应链集中在哪些环节。"]
}
];
const grid = document.querySelector("#project-grid");
const count = document.querySelector("#project-count");
const dialog = document.querySelector("#project-dialog");
const dialogContent = document.querySelector("#dialog-content");
function visualMarkup(project, dialogMode = false) {
const className = dialogMode ? "dialog-visual" : "project-media";
const image = dialogMode ? project.image : (project.preview || project.image);
if (image) return `<div class="${className}"><img src="${image}" alt="${project.title} 的结果可视化" loading="lazy"></div>`;
return `<div class="${className}"><div class="visual-placeholder"><div class="pipeline">${project.visual.map((item, index) => `${index ? "<i>→</i>" : ""}<span>${item}</span>`).join("")}</div></div></div>`;
}
function visualRank(project) {
const src = project.preview || project.image || "";
if (!src) return 100;
const order = ["refseg-sample", "minerals", "influenza", "ac-fault", "valve", "irrigation", "pinn", "bapc", "thz"];
const index = order.findIndex(key => src.includes(key));
return index === -1 ? 50 : index;
}
function renderProjects(filter = "all") {
let visible = projects.filter(project => filter === "all" || project.category === filter);
if (filter === "all") visible = [...visible].sort((a, b) => visualRank(a) - visualRank(b));
grid.innerHTML = visible.map(project => `
<article class="project-card ${project.featured && filter === "all" ? "featured" : ""}" data-category="${project.category}">
${visualMarkup(project)}
<div class="project-body">
<div class="project-meta"><span>${project.label}</span><span>${project.index}</span></div>
<h3>${project.title}</h3><p>${project.summary}</p>
<div class="metric-strip">${project.metrics.map(([key,value]) => `<span><strong>${value}</strong>${key}</span>`).join("")}</div>
<button class="card-action" data-project="${project.id}" type="button">查看实现细节 ↗</button>
</div>
</article>`).join("");
count.textContent = `${visible.length} 个项目`;
}
function openProject(id) {
const project = projects.find(item => item.id === id);
if (!project) return;
dialogContent.innerHTML = `${visualMarkup(project, true)}<div class="dialog-text"><p class="section-no">${project.index} / ${project.label}</p><h2 id="dialog-title">${project.title}</h2><p>${project.summary}</p><ul class="detail-list">${project.details.map(item => `<li>${item}</li>`).join("")}</ul></div>`;
dialog.showModal();
}
document.querySelectorAll(".filter").forEach(button => button.addEventListener("click", () => {
document.querySelectorAll(".filter").forEach(item => item.classList.remove("active"));
button.classList.add("active");
renderProjects(button.dataset.filter);
}));
grid.addEventListener("click", event => {
const button = event.target.closest("[data-project]");
if (button) openProject(button.dataset.project);
});
document.querySelector("#dialog-close").addEventListener("click", () => dialog.close());
dialog.addEventListener("click", event => { if (event.target === dialog) dialog.close(); });
renderProjects();