[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jayroxis--PINNs":3,"tool-jayroxis--PINNs":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159636,2,"2026-04-17T23:33:34",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":76,"difficulty_score":32,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":134},8918,"jayroxis\u002FPINNs","PINNs","PyTorch Implementation of Physics-informed Neural Networks ","PINNs 是一个基于 PyTorch 和 TensorFlow 框架实现的开源项目，旨在复现“物理信息神经网络”这一前沿算法。它主要解决传统深度学习在科学计算领域的痛点：即在数据稀缺或含有噪声的情况下，如何准确求解非线性偏微分方程，甚至直接从观测数据中反推未知的物理定律。\n\n与依赖海量标注数据的常规神经网络不同，PINNs 的独特亮点在于将物理守恒定律（如流体力学中的纳维 - 斯托克斯方程）作为约束项直接嵌入到神经网络的损失函数中。这种机制迫使模型在学习过程中严格遵循物理规则，从而大幅降低了对训练数据量的需求，并提升了预测结果的物理可解释性和准确性。\n\n该项目非常适合从事计算科学、应用数学及工程仿真领域的研究人员和开发者使用。如果你正在探索如何利用人工智能加速流体动力学模拟、材料应力分析或复杂系统建模，PINNs 提供了一个轻量级且易于上手的代码基准。通过结合 Jupyter Notebook 环境，用户可以快速验证算法在连续时间识别等经典场景（如 Burgers 方程）中的效果，为科研创新或工程问题解决提供强有力的工具支持。","# PINNs (Physics-informed Neural Networks)\n\n------------------------\n\n\nThis is a simple implementation of the Physics-informed Neural Networks (PINNs) using ***PyTorch*** and ***Tensorflow***.\n\n-------------------------------------------\n\n## Attribute\n\n**Original Work**: *Maziar Raissi, Paris Perdikaris, and George Em Karniadakis*\n\n**Github Repo** : https:\u002F\u002Fgithub.com\u002Fmaziarraissi\u002FPINNs\n\n**Link:** https:\u002F\u002Fgithub.com\u002Fmaziarraissi\u002FPINNs\u002Ftree\u002Fmaster\u002Fappendix\u002Fcontinuous_time_identification%20(Burgers)\n\n@article{raissi2017physicsI,\n  title={Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations},\n  author={Raissi, Maziar and Perdikaris, Paris and Karniadakis, George Em},\n  journal={arXiv preprint arXiv:1711.10561},\n  year={2017}\n}\n\n@article{raissi2017physicsII,\n  title={Physics Informed Deep Learning (Part II): Data-driven Discovery of Nonlinear Partial Differential Equations},\n  author={Raissi, Maziar and Perdikaris, Paris and Karniadakis, George Em},\n  journal={arXiv preprint arXiv:1711.10566},\n  year={2017}\n}\n\n-------------------------------------------\n\n## Dependencies\n\nMajor Dependencies:\n\n - ***Tensorflow (for Tensorflow Implementation)***: ```pip install --upgrade tensorflow```\n - ***PyTorch (for PyTorch Implementation)***: ```pip install --upgrade torch``\n - ***Jupyter Notebook\u002FLab***: ```pip install jupyterlab``` (JupyterLab) or ```pip install notebook```\n\nPeripheral Dependencies:\n \n - ***numpy***: ```pip install numpy```\n - ***seaborn***: ```pip install seaborn```\n - ***matplotlib***: ```pip install matplotlib```\n - ***pyDOE (for Tensorflow Implementation)***: ```pip install pyDOE```\n","# 物理信息神经网络 (PINNs)\n\n------------------------\n\n\n这是一个使用 ***PyTorch*** 和 ***TensorFlow*** 简单实现的物理信息神经网络 (PINNs)。\n\n-------------------------------------------\n\n## 属性\n\n**原始工作**: *Maziar Raissi、Paris Perdikaris 和 George Em Karniadakis*\n\n**GitHub 仓库**: https:\u002F\u002Fgithub.com\u002Fmaziarraissi\u002FPINNs\n\n**链接**: https:\u002F\u002Fgithub.com\u002Fmaziarraissi\u002FPINNs\u002Ftree\u002Fmaster\u002Fappendix\u002Fcontinuous_time_identification%20(Burgers)\n\n@article{raissi2017physicsI,\n  title={物理信息深度学习（第一部分）：非线性偏微分方程的数据驱动求解},\n  author={Raissi, Maziar and Perdikaris, Paris and Karniadakis, George Em},\n  journal={arXiv 预印本 arXiv:1711.10561},\n  year={2017}\n}\n\n@article{raissi2017physicsII,\n  title={物理信息深度学习（第二部分）：非线性偏微分方程的数据驱动发现},\n  author={Raissi, Maziar and Perdikaris, Paris and Karniadakis, George Em},\n  journal={arXiv 预印本 arXiv:1711.10566},\n  year={2017}\n}\n\n-------------------------------------------\n\n## 依赖项\n\n主要依赖项：\n\n - ***TensorFlow（用于 TensorFlow 实现）***：```pip install --upgrade tensorflow```\n - ***PyTorch（用于 PyTorch 实现）***：```pip install --upgrade torch```\n - ***Jupyter Notebook\u002FLab***：```pip install jupyterlab```（JupyterLab）或 ```pip install notebook```\n\n次要依赖项：\n\n - ***numpy***：```pip install numpy```\n - ***seaborn***：```pip install seaborn```\n - ***matplotlib***：```pip install matplotlib```\n - ***pyDOE（用于 TensorFlow 实现）***：```pip install pyDOE```","# PINNs 快速上手指南\n\nPINNs (Physics-informed Neural Networks，物理信息神经网络) 是一种将物理定律（通常表现为偏微分方程）嵌入到深度学习中的方法。本项目提供了基于 **PyTorch** 和 **TensorFlow** 的简洁实现，用于求解非线性偏微分方程或发现未知的物理规律。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n- **操作系统**：Linux, macOS 或 Windows\n- **Python 版本**：推荐 Python 3.8 及以上\n- **开发环境**：推荐使用 Jupyter Notebook 或 JupyterLab 进行交互式实验\n\n### 前置依赖\n本项目主要依赖以下核心库：\n- **深度学习框架**：TensorFlow 或 PyTorch（二选一或同时安装）\n- **科学计算与可视化**：NumPy, Matplotlib, Seaborn\n- **实验设计**：pyDOE (仅 TensorFlow 实现需要)\n\n> **提示**：国内开发者建议使用清华源或阿里源加速安装，以提升下载速度。\n\n## 安装步骤\n\n您可以使用 `pip` 配合国内镜像源快速安装所需依赖。\n\n### 1. 安装核心深度学习框架\n根据您选择的框架执行以下命令（推荐使用国内镜像）：\n\n**选项 A：安装 TensorFlow**\n```bash\npip install --upgrade tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**选项 B：安装 PyTorch**\n```bash\npip install --upgrade torch -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n*(注：如需 GPU 支持，请访问 PyTorch 官网获取带有 CUDA 版本的安装命令)*\n\n### 2. 安装辅助依赖\n安装运行示例代码所需的可视化和数据处理库：\n\n```bash\npip install jupyterlab numpy seaborn matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n如果您计划运行 **TensorFlow** 版本的代码，还需额外安装 `pyDOE`：\n\n```bash\npip install pyDOE -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n本项目旨在提供清晰的参考实现。最简单的使用方式是直接运行官方提供的 Jupyter Notebook 示例。\n\n### 1. 获取代码\n克隆原始仓库并进入相关目录（以 Burgers 方程为例）：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmaziarraissi\u002FPINNs.git\ncd PINNs\u002Fappendix\u002Fcontinuous_time_identification\\ \\(Burgers\\)\n```\n\n### 2. 运行示例\n启动 JupyterLab 并打开对应的笔记本文件：\n\n```bash\njupyter lab\n```\n\n在界面中找到并打开 `.ipynb` 文件（例如 `Burgers.ipynb` 或类似名称）。\n\n### 3. 核心逻辑简述\n在 Notebook 中，您将看到如下核心流程：\n1.  **数据生成**：生成稀疏的观测数据点。\n2.  **网络构建**：定义一个全连接神经网络来近似解 $u(t, x)$。\n3.  **损失函数定义**：\n    *   **数据损失**：预测值与观测数据的均方误差。\n    *   **物理损失**：将神经网络输出代入偏微分方程（如 Burgers 方程），计算残差（PDE Residual）。\n4.  **模型训练**：使用优化器（如 L-BFGS 或 Adam）最小化总损失（数据损失 + 物理损失）。\n\n以下是一个概念性的代码片段展示（基于 PyTorch 风格），展示如何定义物理损失：\n\n```python\n# 伪代码示例：定义物理信息损失\ndef physics_loss(model, t, x):\n    t.requires_grad = True\n    x.requires_grad = True\n    \n    u = model(torch.cat([t, x], dim=1))\n    \n    # 自动微分计算偏导数\n    u_t = torch.autograd.grad(u, t, grad_outputs=torch.ones_like(u), create_graph=True)[0]\n    u_x = torch.autograd.grad(u, x, grad_outputs=torch.ones_like(u), create_graph=True)[0]\n    u_xx = torch.autograd.grad(u_x, x, grad_outputs=torch.ones_like(u_x), create_graph=True)[0]\n    \n    # Burgers 方程残差: u_t + u*u_x - nu*u_xx = 0\n    f = u_t + u * u_x - 0.01 * u_xx\n    \n    return torch.mean(f**2)\n```\n\n通过运行 Notebook 中的完整单元格，即可完成从训练到结果可视化的全过程。","某航空航天团队的工程师正在利用稀疏的风洞实验数据，重建飞行器表面复杂的气流压力场分布。\n\n### 没有 PINNs 时\n- 传统数值模拟（如有限元分析）需要极高的网格密度才能收敛，单次仿真耗时数小时甚至数天，难以满足快速迭代需求。\n- 由于传感器安装限制，实测数据极其稀疏且含有噪声，直接插值会导致物理上不合理的震荡或非连续结果。\n- 纯数据驱动的深度学习模型在数据匮乏区域容易“幻觉”，预测出的流场违背质量守恒或动量守恒等基本物理定律。\n- 若要反推未知的流体粘度等参数，往往需要反复调整模拟参数进行试错，计算成本呈指数级上升。\n\n### 使用 PINNs 后\n- 将纳维 - 斯托克斯方程（Navier-Stokes）作为正则化项嵌入损失函数，仅需少量观测点即可在几分钟内生成符合物理规律的高分辨率流场。\n- 即使输入数据存在噪声，PINNs 也能通过物理约束自动平滑误差，输出连续且可微的压力与速度分布曲线。\n- 模型在无数据区域的预测严格遵循守恒定律，彻底消除了违背常识的伪影，显著提升了可信度。\n- 支持端到端的参数反演，能在求解流场的同时直接识别出未知的流体物理参数，无需额外的迭代优化过程。\n\nPINNs 的核心价值在于它将物理定律转化为数据的“指南针”，让 AI 在数据稀缺场景下也能做出既精准又符合自然规律的预测。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjayroxis_PINNs_b732142e.png","jayroxis","Jay Roxis","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjayroxis_e8d915c9.jpg","PhD in Computer Science: Deep Learning.",null,"https:\u002F\u002Fgithub.com\u002Fjayroxis",[79,83],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",99.8,{"name":84,"color":85,"percentage":86},"Python","#3572A5",0.2,709,184,"2026-04-10T03:36:59","","未说明",{"notes":93,"python":91,"dependencies":94},"该工具提供 PyTorch 和 TensorFlow 两种实现版本，用户需根据选择的版本安装对应的深度学习框架。若使用 TensorFlow 版本进行特定实验（如连续时间识别），需要额外安装 pyDOE 库。README 中未明确指定操作系统、GPU、内存及 Python 的具体版本要求，通常取决于所选深度学习框架的兼容性。",[95,96,97,98,99,100,101],"tensorflow","torch","jupyterlab 或 notebook","numpy","seaborn","matplotlib","pyDOE",[14],[104,105],"pytorch-implementation","pinns","2026-03-27T02:49:30.150509","2026-04-18T14:25:45.271150",[109,114,119,124,129],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},39987,"无法在测试代码中可视化数据或绘图报错怎么办？","这通常是由 matplotlib 版本兼容性或 LaTeX 渲染配置引起的。请尝试以下两种解决方案：\n1. 降级 matplotlib 版本：运行命令 `pip install matplotlib==3.1.2`。\n2. 禁用 LaTeX 渲染：打开 `Utilities\u002Fplotting.py` 文件，删除或注释掉第 22-23 行的以下配置：\n   ```python\n   \"pgf.texsystem\": \"pdflatex\",\n   \"text.usetex\": True,\n   ```\n   如果您没有安装 LaTeX，必须执行此操作才能正常显示文本。","https:\u002F\u002Fgithub.com\u002Fjayroxis\u002FPINNs\u002Fissues\u002F2",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},39988,"训练过程中为什么需要使用两个优化器（Adam 和 LBFGS）？","这是原始 PINN 架构的标准做法。首先使用 Adam 优化器进行初步优化，因为它通常更稳定，能快速收敛到一个较好的解；随后切换到二阶优化器 LBFGS 进行微调，以达到更高的精度。","https:\u002F\u002Fgithub.com\u002Fjayroxis\u002FPINNs\u002Fissues\u002F4",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},39989,"项目中的数据集（如 burgers_shock.mat）是如何生成的？需要自己准备数据吗？","本项目中的数据是直接复制自原始的 TensorFlow PINN 工作。实际上，您并不需要预先存储的数据文件。您可以直接在 Python 训练代码中编写逻辑，从初始条件（ICs）和边界条件（BCs）中采样生成数据点，这种方式在实践中完全可行且效果良好。","https:\u002F\u002Fgithub.com\u002Fjayroxis\u002FPINNs\u002Fissues\u002F1",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},39990,"在 Burgers.ipynb 的 Net 类 loss_func 函数中，是否需要添加 zero_grad()？","是的，这是一个已确认的代码缺陷（Bug）。在调用优化步骤之前，必须手动清除梯度。应在相关位置添加 `self.adam.zero_grad()`（以及对应的 LBFGS 优化器清零操作），否则会导致梯度累积错误。维护者已在后续版本中修复了此问题。","https:\u002F\u002Fgithub.com\u002Fjayroxis\u002FPINNs\u002Fissues\u002F6",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},39991,"是否有 Burgers 方程推断的“离散时间”（time discrete）PyTorch 实现代码？","目前仓库中尚未提供专门的“离散时间”方法实现。不过，维护者指出，将现有的连续时间版本代码适配为离散时间版本相对容易，用户可以参考连续版本的逻辑自行修改实现。","https:\u002F\u002Fgithub.com\u002Fjayroxis\u002FPINNs\u002Fissues\u002F3",[]]