DeepXDE 物理信息神经网络框架新
我的评分
DeepXDE（Lu et al.，arXiv 1907.04502）是使用最广泛的物理信息神经网络开源库，累计 4.4k+ Star。它的核心价值在于统一抽象：用同一套 API 描述 PDE、几何、边界/初始条件与观测数据，即可覆盖正问题、逆问题与多物理耦合。
核心能力
- PINN 求解：灵活的残差定义方式，可表达几乎任意微分方程
- DeepONet / Mionet：算子学习，支持多输入函数场景
- 分数阶微分方程：时间/空间分数阶 Laplacian 等非标准物理
- 多后端：PyTorch / TensorFlow / JAX / PaddlePaddle 自由切换
- 工具链：配点采样、训练回调、模型存取等完整训练管理
建议学习路径
- 跑通官方 Poisson 一维示例，理解「物理残差 + 边界条件 + 数据」的损失函数构成
- 复现 Burgers 正问题，练习配点数量与网络深度的调参
- 做逆问题：从稀疏观测反演扩散系数，体会 PINN 反演的优势
- 算子学习：在同一个 Darcy 数据集上对比 DeepONet 与 FNO 的精度/速度
适用场景
- 快速验证：把论文里的物理约束想法在几小时内变成可运行代码
- 教学基准：大量论文以其实现作为对照基准
- 边界提醒：超大规模三维工业问题仍建议转向 PhysicsNeMo 等专用框架
标签: