Physics-Based Deep Learning 在线教材
这本由 Nils Thuerey、Philipp Holl 等人维护的开放教材，把领域梳理为清晰脉络： 监督学习基线 → 物理损失 → 可微求解器 → 学习型湍流封闭模型。
适读人群：从传统仿真转向物理 AI 的工程师与研究者；每章均配可执行的 Notebook 代码。
标签: 教材可微物理PINN神经算子入门到进阶
相关条目
- DeepONet 深度算子网络入门 · 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。
- 物理仿真与机器学习融合路线图 · 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。
- FNO（Fourier Neural Operator）入门教程 · 系统学习 Fourier Neural Operator（傅里叶神经算子）从理论到代码实现，适合希望将神经算子用于 PDE 代理模型的工程师与研究者。
- PINN from Scratch · 从零实现物理信息神经网络的经典中文结构化教程，配合 Raissi 原版 PINNs 仓库，是入门物理 AI 的最佳起点。
- Python 有限元从零开始 · 不依赖 FEniCS/Abaqus 等框架，从 NumPy/SciPy 出发实现 2D 弹性力学有限元求解器，深入理解 FEM 的每一个矩阵推导与组装细节。