学习路径PINN神经算子有限元

物理 AI 学习路径

从数值方法地基到神经算子进阶的四阶段学习路径，覆盖 15 篇教程与综述，为零基础到工业落地提供循序渐进的阅读顺序。

更新于 2026年10月12日 共 15 个资源
导语

为什么做这个合集

物理 AI 的资料散落在论文、课程讲义与 GitHub 仓库里，初学者最常见的问题不是「没有资源」，而是不知道下一本该读什么。本合集把 15 篇教程与综述编排成四个阶段，每一步都告诉你读什么、为什么读、重点看哪里。

  • 阶段一 · 打地基：先建立数值仿真直觉，再谈神经网络。不懂离散化，后面所有方法都是黑箱。
  • 阶段二 · 核心方法：动手写出第一个 PINN，再回头补理论，最后解决「训不动」的工程问题。
  • 阶段三 · 进阶：从「解一个 PDE」跃迁到「学一族解算子」，建立神经算子的选型判断力。
  • 阶段四 · 专题延伸：看物理先验在电力系统、机器人等垂直场景如何真正落地。

每条资源都附有编辑评语，说明它为什么在这个位置、重点读哪一部分。建议按顺序推进，遇到卡点再回头查阶段一的参考教材。

阶段一 · 打地基：数值方法与物理仿真 3 个资源

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
💬 编辑点评： 先看这一篇建立全局地图：从有限元、有限体积到代理模型与 PINN 的演进逻辑，读完就知道后面每一阶段在解决什么问题

Python 有限元从零开始

有限元 / 从零实现
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。支持高阶单元与大规模并行，是学术界多物理场耦合仿真的标准工具之一。
GPL-3.0 有限元FEMPython
💬 编辑点评： 第二本必读：不依赖任何框架，用 NumPy 从零推导并组装 2D 弹性力学 FEM 矩阵，把「数值离散」这件事真正摸透

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
💬 编辑点评： 慕尼黑工业大学免费在线教材，配套可运行代码，可作为整个路径的常备参考书，不必一次读完，按需回头查阅

阶段二 · 核心方法：PINN 入门与进阶 3 个资源

PINN from Scratch

入门教程
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。提供 PyTorch/TensorFlow 多后端实现，适合作为物理 AI 入门首选框架。
MIT PINN教程入门
💬 编辑点评： 路径的第一个动手项目：经典中文结构化教程，配合 Raissi 原版仓库，从零写出第一个 PINN，建议边读边跑

面向预测的物理知识机器学习综述

综述 / 学习资料
聚焦 PDE 场景的物理知识 + ML 系统综述，把方法分为架构层（损失函数 / 结构化预测 / 数据增强）与数据层（多任务 / 元 / 上下文学习），并提供工业落地视角与开源生态盘点。
arXiv 预印本（版权归作者） 物理信息 MLPDE多任务学习
💬 编辑点评： 跑通代码后回来补理论：把物理知识注入 ML 的方法按架构层与数据层系统分类，并提供工业落地视角与开源生态清单

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
💬 编辑点评： 遇到「PINN 训不动」时读这篇：梳理迁移学习与元学习方向的改进，重点看第 3 节损失加权方法，解决收敛难与参数变化需重训的瓶颈

阶段三 · 进阶：神经算子 5 个资源

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
💬 编辑点评： 算子学习第一站：从理论到 DeepXDE 代码，理解「学习函数到函数的映射」与 PINN 的本质区别，建议与阶段二对比阅读

FNO（Fourier Neural Operator）入门教程

傅里叶神经算子 / 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。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。
MIT FNO神经算子代理模型
💬 编辑点评： 第二站：傅里叶神经算子的频域视角，mesh-invariant 特性是它相对 CNN 类方法的核心优势，适合做 PDE 代理模型

算子学习综述（Operator Learning Survey）

综述 / 学习资料
系统梳理算子学习方法的综述论文，覆盖 DeepONet、FNO 及其变体的理论、架构与误差分析，是理解「学习无限维映射」最合适的入门与查阅材料。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。
arXiv 预印本（版权归作者） 算子学习综述DeepONet
💬 编辑点评： 补齐理论：系统梳理 DeepONet / FNO 及变体的理论、架构与误差分析，是理解「无限维映射」最合适的查阅材料

神经算子：从理论到应用——科学计算实践入门

综述 / 学习资料
聚焦实践的神经算子教程，覆盖 DeepONet / FNO / PCANet 的高层概念与训练策略，并在 Poisson 与线弹性问题上对比架构差异，还演示了作为贝叶斯反演代理的应用，是工程化落地的入门读物。
arXiv 预印本（版权归作者） 神经算子DeepONetFNO
💬 编辑点评： 面向工程落地：在 Poisson 与线弹性问题上横向对比架构差异，并演示作为贝叶斯反演代理的用法，偏实践

Neural Operator：数据真的就是建模世界的全部吗？科学 ML 范式综述

综述 / 学习资料
数据驱动 + 物理信息神经算子的综述，沿可扩展性、泛化性、数据敏感度三条轴梳理架构谱系（DeepONet / FNO / GNO / PINO / Transformer 系列 / 扩散模型），是理解科学 ML 范式的标准读物。
arXiv 预印本（版权归作者） 神经算子科学 MLDeepONet
💬 编辑点评： 阶段三收尾：沿可扩展性、泛化性、数据敏感度三条轴梳理完整架构谱系，帮你建立选型判断力

阶段四 · 专题延伸：垂直领域与数学基础 4 个资源

💬 编辑点评： 电力方向落地参考：综述混合物理信息神经网络在电力系统设计、监控与控制中的应用，聚焦物理约束嵌入方法

机器人学习中的物理先验嵌入：综述

Multibody
综述机器人学习中物理先验嵌入的方法，涵盖接触力学、刚柔体耦合、多体动力学等物理约束如何提升学习策略的样本效率与可靠性。
见LICENSE文件 机器人学习物理先验多体动力学
💬 编辑点评： 机器人方向：物理先验如何提升学习策略的样本效率与可靠性，涵盖接触力学、刚柔体耦合与多体动力学

连续时间机器学习：统一数学视角综述

通用科学ML
综述连续时间机器学习主要分支的统一数学框架，涵盖神经常微分方程、随机过程与连续时间模型的关系。
见LICENSE文件 连续时间模型神经常微分方程时间序列
💬 编辑点评： 数学基础补强：连续时间机器学习的统一框架，理清神经常微分方程与随机过程的关系，适合想深挖理论者
💬 编辑点评： 课程讲义形态的系统材料，附 PyTorch 从零实现，适合作为整个学习路径的复习与查漏补缺