PINN from Scratch

许可证: 见LICENSE文件 · 更新于 2025-12-20
官方 →

「PINN from Scratch」以最小依赖从零实现物理信息神经网络，社区已有系统的中文讲解与配套代码， 结合 Raissi 等人 2019 年的 PINNs 原版仓库（CSDN / GitCode 均有中文完整教程）， 构成了中文开发者入门物理 AI 最顺畅的学习路径。

学习路径建议：

  1. 读完 PINNs 原论文与中文教程，理解「物理残差 + 数据残差」的训练目标。
  2. 跑通 pinn-from-scratch 的最小示例（如 Burgers 方程）。
  3. 用 DeepXDE 复现同一问题，对比手写与框架的差别。
  4. 进阶到 NeuralOperator / 工业代理模型。
标签: PINN教程入门中文
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。
  • Physics-Based Deep Learning 在线教材 · 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。
  • 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。