物理仿真与机器学习融合路线图

学习路线图

本路径适合有微积分/线性代数基础，想系统建立物理 AI 知识体系的学习者。按推荐顺序学习，耗时约 4–8 周。

---

Step 1：PDE 基础与数值方法（2–3 周）

目标：理解经典 PDE 数值求解的核心思想

内容：

• 有限差分法（FDM）：离散微分算子，稳定性分析（CFL 条件）
• 有限体积法（FVM）：守恒性、流通量限幅（OpenFOAM 基础）
• 有限元法（FEM）：变分原理、单元刚度矩阵（FEniCS 基础）

推荐教材：

• LeVeque “Finite Volume Methods for Hyperbolic Problems”（入门 FVM）
• Zienkiewicz & Taylor “The Finite Element Method”（固体力学 FEM）

练习：用 Python 实现 1D 热传导 FDM + 2D Laplace 方程 FVM

---

Step 2：经典 CFD 与 OpenFOAM（1–2 周）

目标：掌握工业级 CFD 工具链

内容：

• OpenFOAM 基础：blockMesh → snappyHexMesh → icoFoam/pisoFoam
• 边界条件、物理模型（k-ε、RANS vs. LES）
• 后处理（ParaView）与数据提取

练习：圆柱绕流 RANS 仿真（Re=10⁶），提取 Cd、Cl 曲线

---

Step 3：数据驱动代理模型（1–2 周）

目标：理解从「求解 PDE」到「学习 PDE 解算子」的范式转变

内容：

• 数据驱动代理模型 vs. 传统数值求解（速度/精度/泛化性权衡）
• FNO（频域算子）、DeepONet（分支-干网络）、CNN/U-Net（图像风格方法）
• 在开源数据集（Burgers / Darcy / AirfRANS）上训练与评测

练习：在 PDEBench Darcy 数据集上复现 FNO 论文结果

---

Step 4：物理信息约束（1–2 周）

目标：掌握将物理定律嵌入损失函数的方法

内容：

• PINN（Physics-Informed Neural Network）：自动微分编码 PDE 残差
• 边界条件/初值条件的编码方式
• PINN 的常见失效模式（梯度消失、特征坍缩）与对策

练习：用 DeepXDE 求解反问题（参数识别）+ 对比纯数据驱动

---

Step 5：多物理场与前沿（1–2 周）

目标：了解当前前沿与工业实践

前沿方向：

• 可微物理（JAX-Fluids / WarpX）与优化设计
• Neural Operator 大规模预训练（ClimateLearn、FourCastNet）
• 数字孪生与实时仿真

工业实践：

• 代理模型在航空/汽车/能源行业的落地案例（见导航站案例栏目）
• 模型压缩与部署（ONNX + ONNX Runtime）

适合人群

• 工程背景（机械/土木/航空）转物理 AI 的工程师
• 机器学习背景想进入科学计算领域的开发者
• 想建立物理 AI 系统知识体系的科研人员