PINN 入门框架
物理信息神经网络(PINN)入门框架,中文文档与示例完善,支持 TensorFlow/PyTorch/JAX/PaddlePaddle 多后端,是科学机器学习与 PDE 求解的常选起点。
求解 / 训练框架
NVIDIA 物理 ML 框架(原 Modulus,2025 年更名),PyTorch 底座,内置 PINN、神经算子与多种物理约束训练范式;本篇讲清架构、版本、对比、失效边界与口径核对。
新 Apache-2.0 PINN神经算子NVIDIA 方法综述
系统梳理 PINN 的复合损失与自动微分骨架、五类训练失效机理、2026 年前沿进展,给出可执行的选型决策树、工具链地图与工程落地清单,并厘清 PINN 与神经算子的分工。
新 本站原创 PINN物理信息神经网络科学机器学习 入门教程
从零实现物理信息神经网络的中文结构化教程,以一维热传导为基准问题逐章推进:机器学习基础、分离变量法、有限差分与有限元对照、PINN 模型构建与优化器对比、GMM 与课程学习进阶策略,以及 locELM、随机特征法与 RaNN 等拓展建模方法。MIT 许可,适合作为物理 AI 入门首选框架。
通用科学ML / 框架教程
最成熟的 PINN/DeepONet 开源求解框架,一个 API 覆盖正问题、逆问题与多物理耦合,中文文档友好,是从论文走向代码的首选框架。支持 PyTorch/TensorFlow/JAX 多后端与分数阶微分方程。
新 LGPL-2.1 PINNDeepONet框架 通用科学ML / 框架教程
Julia SciML 生态的 PINN/DeepONet/NeuralOperator 统一求解库,与 DifferentialEquations.jl 无缝互操作,GPU 与自动微分开箱即用,适合 Julia 技术栈团队。
流体/CFD
提出周期物理信息神经网络(P-PINN)框架,实现参数化周期流的纯物理驱动求解与有限幅生气动弹性响应分析。
见LICENSE文件 PINN流体力学气动弹性 通用科学ML
提出AKAPINN方法,将Kolmogorov-Arnold网络与PINN结合,应用于非线性应变限制偏微分方程的mesh-free求解,包含精确边界假设和伪Huber损失函数。
见LICENSE文件 PINNKolmogorov-Arnold网络拟线性PDE 综述 / 学习资料
专门梳理 PINN 在迁移学习与元学习方向上的改进方法,解决 PINN 收敛难、对 PDE 参数变化需重新优化的核心瓶颈,是把 PINN 推向量产的工程参考读物。
arXiv 预印本(版权归作者) PINN迁移学习元学习 ScientificML
提出联合解决神经算子分布外退化与PINN多解收敛错误的协同训练方法,利用不完美神经算子引导PINN优化。
见LICENSE文件 神经算子PINN偏微分方程 通用科学ML
提出统一框架,将神经PDE求解器(PINNs)与有限元方法通过函数Gauss-Newton问题与Petrov-Galerkin离散化进行融合。
见LICENSE文件 PINN有限元法PDE求解 Fourier-PINN
HuggingFace模型仓库,名称包含Fourier-PINN,可能涉及傅里叶增强的物理信息神经网络。模型集成 Fourier 特征编码与 PINN 损失,专为频域敏感的 PDE 设计,提供训练配置 YAML 模板。
mit PINNFourier物理信息神经网络 PINN模型
HuggingFace托管的气泡动力学PINN模型仓库,模型名称表明聚焦于使用物理信息神经网络处理气泡动力学问题。模型针对气泡成核/聚并/变形等动力学场景设计,含多相流 PINN 损失与可视化输出。
PINN/CFD
基于HuggingFace的物理信息神经网络CFD模型仓库,提供将物理约束嵌入神经网络进行计算流体力学建模的方法。模型实现 RANS 方程 PINN 训练 pipeline,含湍流模型混合项处理,可直接用于 2D 简单外流 CFD 复现。
见LICENSE文件 PINNCFD物理信息神经网络 神经算子 / 入门教程
系统学习 DeepONet(深度算子网络)的理论原理与 DeepXDE 代码实现,适合需要处理多物理参数场景的 PINN 开发者。提供 PyTorch/TensorFlow 多后端实现,适合作为物理 AI 入门首选框架。
MIT DeepONet神经算子DeepXDE 学习路线图 / 系统性综述
从经典 PDE 数值方法到数据驱动物理 AI 的系统学习路线,覆盖有限元、有限体积、代理模型、PINN 等方法的演进逻辑与适用场景。提供 PyTorch/TensorFlow 多后端实现,适合作为物理 AI 入门首选框架。
年度综述 / 物理信息学习
系统性梳理 2025–2026 年物理信息机器学习(Physics-Informed Learning)领域的主要进展,重点覆盖神经算子、扩散模型在 PDE 求解中的应用、大规模基准测试与工业落地案例。
教材 / 系统课程
由慕尼黑工业大学团队维护的免费在线教材,系统讲解「物理 + 深度学习」的融合范式,从可微物理、PINN 到神经算子与湍流建模,配套可运行代码。提供 PyTorch/TensorFlow 多后端实现,适合作为物理 AI 入门首选框架。
CC BY-NC-SA 4.0 教材可微物理PINN 通用科学ML
博尔扎诺大学 PhD 课程讲义,系统讲解 PINN 与神经算子原理,附 PyTorch 从零实现教程。
见LICENSE文件 PINN神经算子课程讲义