DClaw

PDE 基准 / 多方程

大规模 PDE 基准数据集，涵盖热传导、对流扩散、流体动力学等方程，支持数据驱动与物理信息方法的公平对比。数据集由 Stanford 等机构发布，覆盖 11 类 PDE，附基线模型（FNO / U-Net / TF-Net）评测脚本，跨库比较公平。

多物理 / PDE · 16 领域

覆盖 16 个物理仿真领域的超大数据集，被称为「物理 ML 的 ImageNet 时刻」，配套 PyTorch API 与预训练基线，支持 HF 流式加载。配套标准化 train/test 切分与基线模型评测脚本，可直接用于学术论文公平对比。

PINN 入门框架

最易上手的 PINN 框架，中文文档极佳，支持 TensorFlow/PyTorch 等多后端，是物理信息神经网络入门首选。提供 PyTorch/TensorFlow 多后端实现，适合作为物理 AI 入门首选框架。

通用 CFD 求解器

开源 CFD 的事实标准求解器，覆盖不可压/可压流动、传热、多相与燃烧等，是生成物理 AI 训练数据与验证代理模型精度的主要工具。可作为物理 AI 训练数据生成器与代理模型验证基线，是 CAE 工业链路的常用底层。

求解 / 训练框架

NVIDIA 物理 ML 训练框架（原 Modulus），内置 PINN、神经算子与多种物理约束训练范式，商用友好，工业首选。提供 PyTorch/TensorFlow 多后端实现，适合作为物理 AI 入门首选框架。

气象 / 大规模物理预测

基于图神经网络的中期天气预报模型，在多项指标上超过传统数值预报，且单次预测在分钟级完成，是物理 AI 替代高成本数值模式的代表案例。分钟级推理时间显著低于传统数值模式，是 AI 替代高成本数值预报的代表性案例。

分子动力学 / 机器学习势函数

基于等变图神经网络的通用原子间势基础模型，在 15 万无机晶体公开数据上训练，开箱即可对固体、液体、气体与化学反应运行稳定分子动力学，并可少量数据微调至第一性原理精度。

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。

奠基性论文

以分支-主干（branch-trunk）结构实现算子通用逼近定理的深度学习版本，是最早系统提出「学习非线性算子」的架构，至今仍是主流基线。支持 mesh-invariant 推理，可在训练分辨率之外直接查询，适配工业级多保真度应用。

气候机器学习基准库

ClimateLearn 是 UCLA 机器学习组于 2023 年发布的 Python 库，以标准化、简洁的方式提供气候数据集、基线模型与评测指标，支持统计降尺度与时序预测的规模化基准测试。代码以 MIT 开源。

生物分子分子动力学

专注于生物分子（蛋白质、脂质、核酸）的高性能分子动力学包，以极致并行与向量化著称，是结构生物学与药物设计中经典 MD 的主力，也常作为生成训练数据的引擎。

可微数值计算框架

Google 开源的 NumPy 风格数值计算库，以 XLA 编译、自动微分与函数式变换（grad / jit / pmap / vmap）为核心，是 JAX-CFD、JAX-Fluids 等物理 AI 可微求解器与神经算子研究的底层算力。

分子动力学与多体仿真

Sandia 主导的开源分子动力学与粒子仿真器，支持从原子、介观到连续介质的多尺度模型与大量力场/势函数，是材料、化学与生物分子模拟的主力工具，也是 MLIP 训练与验证的常见基线。

可微 GPU 仿真框架

NVIDIA 开源的 Python 框架，把普通 Python 函数 JIT 编译为 CPU/CUDA 原生核，且每个核自动生成可微反向版本，可让梯度穿过整段物理仿真——是 Isaac Lab、Newton 等机器人/物理学习栈的底层算力。

图神经网络框架

基于 PyTorch 的图神经网络库，提供图卷积、图注意力、消息传递等丰富算子与主流数据集/采样器，是分子、材料晶体与物理系统图表示学习（如 GNN 势、分子性质预测）的事实标准工具。

物理仿真 DSL

面向高性能计算的 Python 嵌入式 DSL，把 Python 写成并行、自动微分的核函数，内置 MPM / SPH / FEM 等物理仿真前端，是科研与原型期实现可微物理仿真的常用工具。

蛋白质结构预测

DeepMind 于 2021 年提出的端到端深度学习模型，在 CASP14 上将蛋白质三维结构预测精度推到近实验水平，从根本上改变了结构生物学；代码 Apache-2.0，模型参数 CC-BY-4.0。

天气预报

NVIDIA 等 2022 年提出的全球数据驱动高分辨率天气模型，以 0.25 度分辨率在数秒内生成一周预报，短期大尺度变量精度比肩 ECMWF IFS，并开创了千成员大集合概率预报范式；代码 BSD-3-Clause。

概率集合天气预报

GenCast 是 Google DeepMind 于 2023 年提出的生成式机器学习天气预报模型，采用扩散模型在球面网格上生成概率集合预报，在多数标准指标上超越传统物理集合预报（如 ECMWF ENS），推理速度快数个数量级。代码以 Apache-2.0 开源，模型权重以 CC-BY-NC-SA-4.0 发布（禁止商用）。

混合大气环流模型

NeuralGCM 是 Google DeepMind 于 2024 年提出的混合机器学习 + 物理的大气环流模型，用神经网络参数化替代部分物理过程，同时保留可微分动力核，兼具数值稳定性与数据驱动精度。代码以 Apache-2.0 开源，模型权重以 CC-BY-SA-4.0 发布。

蛋白质结构预测

OpenFold 是 Columbia 大学 AQLab 于 2022 年发布的对 DeepMind AlphaFold2 的高保真、可训练 PyTorch 复现，内存高效、GPU 友好。源代码以 Apache-2.0 开源，DeepMind 预训练参数以 CC-BY-4.0 发布（2022 年 1 月起由 CC BY-NC 4.0 放宽）。