标签:PINN

19 个条目

DeepXDE

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。
新 LGPL-2.1 PINN入门中文文档

PhysicsNeMo

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

PINN from Scratch

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。
新 MIT PINN教程入门

DeepXDE 物理信息神经网络框架

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

NeuralPDE.jl Julia 科学机器学习求解器

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。
新 MIT JuliaPINNSciML

自适应物理信息神经网络综述(Adaptive PINNs Survey)

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

cluster-07-fourier-pinn

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

cluster-06-bubble-dynamics-pinn

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。
mit 气泡动力学物理信息神经网络PINN

Physics-informed Neural Network CFD

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

DeepONet 深度算子网络入门

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

物理仿真与机器学习融合路线图

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。
CC BY 4.0 学习路径PDE数值方法

物理信息学习年度进展综述 2025–2026

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。
various 综述物理信息PINN

Physics-Based Deep Learning 在线教材

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

← 全部标签