[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-rezaakb--pinns-torch":3,"tool-rezaakb--pinns-torch":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",159267,2,"2026-04-17T11:29:14",[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":75,"owner_email":77,"owner_twitter":78,"owner_website":75,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":32,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":107,"github_topics":108,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":147},8524,"rezaakb\u002Fpinns-torch","pinns-torch","PINNs-Torch, Physics-informed Neural Networks (PINNs) implemented in PyTorch.","pinns-torch 是一个基于 PyTorch 构建的开源框架，专为实现物理信息神经网络（PINNs）而设计。它旨在帮助研究人员和开发者高效地利用深度学习技术求解复杂的偏微分方程（PDE），广泛应用于流体力学、量子力学等科学计算领域。\n\n针对传统 PINNs 实现中训练速度慢、代码复用性低的痛点，pinns-torch 通过深度集成 CUDA Graphs 和 TorchScript 即时编译技术，显著提升了模型训练效率。实测数据显示，其运行速度相比早期的 TensorFlow v1 版本最高可达 9 倍提升，同时在保持高精度的前提下大幅降低了计算成本。\n\n该工具特别适合具备一定编程基础的研究人员、算法工程师及高校师生使用。它不仅提供了基于 Hydra 的灵活配置系统，支持通过命令行快速调整实验参数，还内置了薛定谔方程、纳维 - 斯托克斯方程等多个经典案例，方便用户直接上手或进行二次开发。无论是希望快速验证新算法的科研人员，还是致力于将物理规律融入 AI 模型的开发者，pinns-torch 都能提供一个高性能且易用的解决方案。","\u003Cdiv align=\"center\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frezaakb_pinns-torch_readme_11fa511028be.png\" width=\"400\">\n\u003C\u002Fbr>\n\u003C\u002Fbr>\n\n\u003Ca href=\"https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F\">\u003Cimg alt=\"PyTorch\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPyTorch-ee4c2c?logo=pytorch&logoColor=white\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fpytorchlightning.ai\u002F\">\u003Cimg alt=\"Lightning\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Lightning-792ee5?logo=pytorchlightning&logoColor=white\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhydra.cc\u002F\">\u003Cimg alt=\"Config: Hydra\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FConfig-Hydra-89b8cd\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fashleve\u002Flightning-hydra-template\">\u003Cimg alt=\"Template\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Lightning--Hydra--Template-017F2F?style=flat&logo=github&labelColor=gray\">\u003C\u002Fa>\n[![Code style: black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack)\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Frezaakb\u002Fpinns-torch\u002Fblob\u002Fmain\u002Ftutorials\u002F0-Schrodinger.ipynb)\n\n\u003Ca href=\"https:\u002F\u002Fopenreview.net\u002Fforum?id=nl1ZzdHpab\">[Paper]\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-tf2\">[TensorFlow v2]\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-jax\">[JAX]\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaziarraissi\u002FPINNs\">[TensorFlow v1]\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n## Description\n\nOur package introduces Physics-Informed Neural Networks (PINNs) implemented using PyTorch. The standout feature is the incorporation of CUDA Graphs and JIT Compilers (TorchScript) for compiling models, resulting in significant performance gains up to 9x compared to the original TensorFlow v1 implementation.\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frezaakb_pinns-torch_readme_d11a1b762ffe.png\" width=\"1000\">\n\u003C\u002Fbr>\n\u003Cem>Each subplot corresponds to a problem, with its iteration count displayed at the\ntop. The logarithmic x-axis shows the speed-up factor w.r.t the original code in TensorFlow v1, and the y-axis illustrates the mean relative error.\u003C\u002Fem>\n\u003C\u002Fdiv>\n\u003C\u002Fbr>\n\n\nFor more information, please refer to our paper:\n\n\u003Ca href=\"https:\u002F\u002Fopenreview.net\u002Fforum?id=nl1ZzdHpab\">PINNs-Torch: Enhancing Speed and Usability of Physics-Informed Neural Networks with PyTorch.\u003C\u002Fa> Reza Akbarian Bafghi, and Maziar Raissi. DLDE III, NeurIPS, 2023.\n\n## Installation\n\nPINNs-Torch requires following dependencies to be installed:\n\n- [PyTorch](https:\u002F\u002Fpytorch.org) >=2.0.0\n- [PyTorch Lightning](https:\u002F\u002Flightning.ai\u002F) >= 2.0.0\n- [Hydra](https:\u002F\u002Fhydra.cc\u002Fdocs\u002Fintro\u002F) >= 1.3\n\nThen, you can install PINNs-Torch itself via \\[pip\\]:\n\n```bash\npip install pinnstorch\n```\n\nIf you intend to introduce new functionalities or make code modifications, we suggest duplicating the repository and setting up a local installation:\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\ncd pinns-torch\n\n# [OPTIONAL] create conda environment\nconda create -n myenv python=3.9\nconda activate myenv\n\n# install package\npip install -e .\n```\n\n## Quick start\n\nExplore a variety of implemented examples within the [examples](examples) folder. To run a specific code, such as the one for the Navier-Stokes PDE, you can use:\n\n```bash\npython examples\u002Fnavier_stokes\u002Ftrain.py\n```\n\nYou can train the model using a specified configuration, like the one found in [examples\u002Fnavier_stokes\u002Fconfigs\u002Fconfig.yaml](examples\u002Fnavier_stokes\u002Fconfigs\u002Fconfig.yaml). Parameters can be overridden directly from the command line. For instance:\n\n```bash\npython examples\u002Fnavier_stokes\u002Ftrain.py trainer.max_epochs=20 n_train=3000\n```\n\nTo utilize our package, there are two primary options:\n\n- Implement your training structures using Hydra, as illustrated in our provided examples.\n- Directly incorporate our package to solve your custom problem.\n\nFor a practical guide on directly using our package to solve the Schrödinger PDE in a continuous forward problem, refer to our tutorial here: [tutorials\u002F0-Schrodinger.ipynb](tutorials\u002F0-Schrodinger.ipynb).\n\n## Data\n\nThe data located on the server and will be downloaded automatically upon running each example.\n\n## Contributing\n\nAs this is the first version of our package, there might be scope for enhancements and bug fixes. We highly value community contributions. If you find any issues, missing features, or unusual behavior during your usage of this library, please feel free to open an issue or submit a pull request on GitHub. For any queries, suggestions, or feedback, please send them to [Reza Akbarian Bafghi](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Frezaakbarian\u002F) at [reza.akbarianbafghi@colorado.edu](mailto:reza.akbarianbafghi@colorado.edu).\n\n## License\n\nDistributed under the terms of the \\[BSD-3\\] license, \"pinnstorch\" is free and open source software.\n\n## Resources\n\nWe employed [this template](https:\u002F\u002Fgithub.com\u002Fashleve\u002Flightning-hydra-template) to develop the package, drawing from its structure and design principles. For a deeper understanding, we recommend visiting their GitHub repository. We also recommend consulting the official documentation of [Hydra](https:\u002F\u002Fhydra.cc\u002Fdocs\u002Fintro\u002F) and [PyTorch Lightning](https:\u002F\u002Flightning.ai\u002F) for additional insights.\n\n\n## Citation\nIf you find this useful in your research, please consider citing:\n```\n@inproceedings{\nbafghi2023pinnstorch,\ntitle={{PINN}s-Torch: Enhancing Speed and Usability of Physics-Informed Neural Networks with PyTorch},\nauthor={Reza Akbarian Bafghi and Maziar Raissi},\nbooktitle={The Symbiosis of Deep Learning and Differential Equations III},\nyear={2023},\nurl={https:\u002F\u002Fopenreview.net\u002Fforum?id=nl1ZzdHpab}\n}\n```\n","\u003Cdiv align=\"center\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frezaakb_pinns-torch_readme_11fa511028be.png\" width=\"400\">\n\u003C\u002Fbr>\n\u003C\u002Fbr>\n\n\u003Ca href=\"https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F\">\u003Cimg alt=\"PyTorch\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPyTorch-ee4c2c?logo=pytorch&logoColor=white\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fpytorchlightning.ai\u002F\">\u003Cimg alt=\"Lightning\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Lightning-792ee5?logo=pytorchlightning&logoColor=white\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhydra.cc\u002F\">\u003Cimg alt=\"Config: Hydra\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FConfig-Hydra-89b8cd\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fashleve\u002Flightning-hydra-template\">\u003Cimg alt=\"Template\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Lightning--Hydra--Template-017F2F?style=flat&logo=github&labelColor=gray\">\u003C\u002Fa>\n[![Code style: black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack)\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Frezaakb\u002Fpinns-torch\u002Fblob\u002Fmain\u002Ftutorials\u002F0-Schrodinger.ipynb)\n\n\u003Ca href=\"https:\u002F\u002Fopenreview.net\u002Fforum?id=nl1ZzdHpab\">[论文]\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-tf2\">[TensorFlow v2]\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-jax\">[JAX]\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaziarraissi\u002FPINNs\">[TensorFlow v1]\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n## 说明\n\n我们的软件包引入了基于 PyTorch 实现的物理信息神经网络（PINNs）。其突出特点是集成了 CUDA 图和 JIT 编译器（TorchScript）来编译模型，与原始 TensorFlow v1 实现相比，性能显著提升，最高可达 9 倍。\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frezaakb_pinns-torch_readme_d11a1b762ffe.png\" width=\"1000\">\n\u003C\u002Fbr>\n\u003Cem>每个子图对应一个问题，顶部显示迭代次数。对数刻度的 x 轴表示相对于 TensorFlow v1 原始代码的加速倍数，y 轴则展示了平均相对误差。\u003C\u002Fem>\n\u003C\u002Fdiv>\n\u003C\u002Fbr>\n\n\n更多信息请参阅我们的论文：\n\n\u003Ca href=\"https:\u002F\u002Fopenreview.net\u002Fforum?id=nl1ZzdHpab\">PINNs-Torch：利用 PyTorch 提升物理信息神经网络的速度与易用性。\u003C\u002Fa> Reza Akbarian Bafghi 和 Maziar Raissi. DLDE III, NeurIPS, 2023.\n\n## 安装\n\nPINNs-Torch 需要安装以下依赖：\n\n- [PyTorch](https:\u002F\u002Fpytorch.org) ≥2.0.0\n- [PyTorch Lightning](https:\u002F\u002Flightning.ai\u002F) ≥ 2.0.0\n- [Hydra](https:\u002F\u002Fhydra.cc\u002Fdocs\u002Fintro\u002F) ≥ 1.3\n\n然后，您可以通过 \\[pip\\] 安装 PINNs-Torch：\n\n```bash\npip install pinnstorch\n```\n\n如果您打算引入新功能或修改代码，我们建议克隆仓库并进行本地安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\ncd pinns-torch\n\n# 【可选】创建 conda 环境\nconda create -n myenv python=3.9\nconda activate myenv\n\n# 安装包\npip install -e .\n```\n\n## 快速入门\n\n您可以在 [examples](examples) 文件夹中探索各种已实现的示例。要运行特定代码，例如 Navier-Stokes 偏微分方程的示例，可以使用：\n\n```bash\npython examples\u002Fnavier_stokes\u002Ftrain.py\n```\n\n您可以使用指定的配置文件训练模型，例如 [examples\u002Fnavier_stokes\u002Fconfigs\u002Fconfig.yaml](examples\u002Fnavier_stokes\u002Fconfigs\u002Fconfig.yaml) 中的配置。参数也可以直接通过命令行覆盖。例如：\n\n```bash\npython examples\u002Fnavier_stokes\u002Ftrain.py trainer.max_epochs=20 n_train=3000\n```\n\n要使用我们的软件包，主要有两种方式：\n\n- 按照我们提供的示例，使用 Hydra 构建您的训练结构。\n- 直接集成我们的软件包来解决您自定义的问题。\n\n有关如何直接使用我们的软件包求解连续正问题中的薛定谔方程的实用指南，请参阅我们的教程：[tutorials\u002F0-Schrodinger.ipynb](tutorials\u002F0-Schrodinger.ipynb)。\n\n## 数据\n\n数据存储在服务器上，每次运行示例时都会自动下载。\n\n## 贡献\n\n由于这是我们软件包的第一个版本，仍有许多改进和错误修复的空间。我们非常重视社区的贡献。如果您在使用本库的过程中发现任何问题、缺失的功能或异常行为，请随时在 GitHub 上提交 issue 或 pull request。如有任何疑问、建议或反馈，请发送至 [Reza Akbarian Bafghi](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Frezaakbarian\u002F) 的邮箱：[reza.akbarianbafghi@colorado.edu](mailto:reza.akbarianbafghi@colorado.edu)。\n\n## 许可证\n\n“pinnstorch” 根据 \\[BSD-3\\] 许可协议发布，是一款免费且开源的软件。\n\n## 资源\n\n我们在开发本软件包时参考了 [此模板](https:\u002F\u002Fgithub.com\u002Fashleve\u002Flightning-hydra-template)，借鉴了其结构和设计原则。如需深入了解，建议访问他们的 GitHub 仓库。此外，我们也推荐查阅 [Hydra](https:\u002F\u002Fhydra.cc\u002Fdocs\u002Fintro\u002F) 和 [PyTorch Lightning](https:\u002F\u002Flightning.ai\u002F) 的官方文档以获取更多见解。\n\n\n## 引用\n如果您在研究中使用了本项目，请考虑引用：\n```\n@inproceedings{\nbafghi2023pinnstorch,\ntitle={{PINN}s-Torch: Enhancing Speed and Usability of Physics-Informed Neural Networks with PyTorch},\nauthor={Reza Akbarian Bafghi and Maziar Raissi},\nbooktitle={The Symbiosis of Deep Learning and Differential Equations III},\nyear={2023},\nurl={https:\u002F\u002Fopenreview.net\u002Fforum?id=nl1ZzdHpab}\n}\n```","# PINNs-Torch 快速上手指南\n\nPINNs-Torch 是一个基于 PyTorch 实现的物理信息神经网络（PINNs）库。其核心亮点是结合了 CUDA Graphs 和 JIT 编译器（TorchScript），相比原始的 TensorFlow v1 实现，性能提升最高可达 9 倍。\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\n*   **Python**: 建议版本 3.9+\n*   **PyTorch**: >= 2.0.0\n*   **PyTorch Lightning**: >= 2.0.0\n*   **Hydra**: >= 1.3\n\n> **提示**：如果您在中国大陆地区，建议在安装 PyTorch 时使用国内镜像源以加速下载。例如使用清华源安装 PyTorch：\n> ```bash\n> pip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n您可以选择直接通过 pip 安装稳定版，或克隆源码进行开发模式安装。\n\n### 方式一：直接安装（推荐）\n\n```bash\npip install pinnstorch\n```\n\n### 方式二：源码安装（适合二次开发）\n\n如果您需要修改代码或添加新功能，建议克隆仓库并进行本地安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\ncd pinns-torch\n\n# [可选] 创建并激活 conda 环境\nconda create -n myenv python=3.9\nconda activate myenv\n\n# 以编辑模式安装包\npip install -e .\n```\n\n## 基本使用\n\n本库提供了两种主要使用方式：一是运行内置的示例脚本，二是直接在代码中调用库来解决自定义问题。\n\n### 1. 运行内置示例\n\n库中 `examples` 文件夹包含了多种偏微分方程（PDE）的实现。例如，要训练一个纳维 - 斯托克斯（Navier-Stokes）方程模型，可直接运行：\n\n```bash\npython examples\u002Fnavier_stokes\u002Ftrain.py\n```\n\n您可以通过命令行直接覆盖配置文件中的参数。例如，将最大训练轮数设为 20，训练样本数设为 3000：\n\n```bash\npython examples\u002Fnavier_stokes\u002Ftrain.py trainer.max_epochs=20 n_train=3000\n```\n\n### 2. 自定义问题教程\n\n若您希望直接在代码中集成该库来解决特定的连续正向问题（如薛定谔方程），请参考官方提供的 Jupyter Notebook 教程，其中展示了完整的构建流程：\n\n*   **教程路径**: `tutorials\u002F0-Schrodinger.ipynb`\n*   **在线体验**: [在 Google Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Frezaakb\u002Fpinns-torch\u002Fblob\u002Fmain\u002Ftutorials\u002F0-Schrodinger.ipynb)\n\n> **注意**：运行示例时，所需数据会自动从服务器下载，无需手动准备。","某航空航天研究院的计算流体力学团队正在利用深度学习求解高雷诺数下的纳维 - 斯托克斯（Navier-Stokes）方程，以模拟复杂气流场并优化飞行器设计。\n\n### 没有 pinns-torch 时\n- **训练耗时过长**：沿用传统的 TensorFlow v1 实现，单次高精度仿真需数天才能收敛，严重拖慢迭代节奏。\n- **硬件加速受限**：难以充分利用现代 NVIDIA GPU 的 CUDA Graphs 特性，计算资源闲置率高，算力浪费严重。\n- **代码维护困难**：旧版框架配置繁琐且缺乏模块化支持，调整物理约束或网络结构时需修改大量底层代码。\n- **部署兼容性差**：模型导出和推理环节复杂，难以与团队现有的 PyTorch 生态工具链无缝集成。\n\n### 使用 pinns-torch 后\n- **速度显著提升**：借助 JIT 编译器和 CUDA Graphs 优化，相同任务训练速度提升高达 9 倍，将数天的计算缩短至数小时。\n- **算力满负荷运转**：自动适配最新 GPU 架构，大幅降低单点计算成本，让大规模参数扫描成为可能。\n- **开发效率飞跃**：基于 PyTorch Lightning 和 Hydra 的配置系统，研究人员仅需修改 YAML 文件即可灵活调整实验参数。\n- **生态无缝融合**：原生支持 PyTorch 环境，模型可直接复用团队已有的可视化与分析脚本，无需额外转换。\n\npinns-torch 通过极致的性能优化和现代化的工程架构，将物理信息神经网络从“理论验证”推向了“高效工程应用”的新阶段。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frezaakb_pinns-torch_d11a1b76.png","rezaakb","Reza Akbarian Bafghi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frezaakb_d1aedaec.jpg",null,"University of Colorado Boulder","reza.akbarianbafghi@colorado.edu","RezaAkbarian","https:\u002F\u002Fgithub.com\u002Frezaakb",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",85.5,{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",14.1,{"name":90,"color":91,"percentage":92},"Makefile","#427819",0.4,867,134,"2026-04-16T05:18:12","BSD-3-Clause","","未明确说明具体型号，但提及使用 CUDA Graphs 加速，暗示需要支持 CUDA 的 NVIDIA GPU","未说明",{"notes":101,"python":102,"dependencies":103},"该工具利用 CUDA Graphs 和 TorchScript (JIT) 进行模型编译以提升性能。运行示例时会自动从服务器下载数据。建议使用 conda 创建虚拟环境进行安装。","3.9+ (示例中使用)",[104,105,106],"torch>=2.0.0","pytorch-lightning>=2.0.0","hydra-core>=1.3",[14],[109,110,111,112,113],"cuda-graph","jit-compiler","physics-informed-neural-networks","pinns","pytorch","2026-03-27T02:49:30.150509","2026-04-18T00:45:40.850414",[117,122,127,132,137,142],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},38166,"如何在 aneurysm3D 示例中导出预测结果？","您可以通过两种方式获取预测结果：\n1. 配置文件方式：在配置文件中添加 `save_pred: true`，预测结果将自动保存到输出目录。\n2. 代码调用方式：直接使用以下代码访问预测数据：\n   ```python\n   preds_list = trainer.predict(model=model, datamodule=datamodule)\n   preds_dict = pinnstorch.utils.fix_predictions(preds_list)\n   ```","https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\u002Fissues\u002F2",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},38167,"在哪里可以下载示例所需的精确解数据文件？","您可以从以下 Google Cloud Storage 链接下载所需的数据文件：\n- 通用数据文件模板：https:\u002F\u002Fstorage.googleapis.com\u002Fpinns\u002Fdata\u002F{filename}\n- 示例文件（圆柱尾流）：https:\u002F\u002Fstorage.googleapis.com\u002Fpinns\u002Fdata\u002Fcylinder_nektar_wake.mat\n- 示例文件（AC）：https:\u002F\u002Fstorage.googleapis.com\u002Fpinns\u002Fdata\u002FAC.mat\n- Runge–Kutta 权重文件模板：https:\u002F\u002Fstorage.googleapis.com\u002Fpinns\u002Firk_weights\u002FButcher_IRK{q}.txt\n- 示例权重文件：https:\u002F\u002Fstorage.googleapis.com\u002Fpinns\u002Firk_weights\u002FButcher_IRK12.txt\n此外，更多资源可在官方 PINNs 仓库找到：https:\u002F\u002Fgithub.com\u002Fmaziarraissi\u002FPINNs","https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\u002Fissues\u002F21",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},38168,"为什么训练时无法使用 GPU，即使配置文件中已设置为 gpu？","这通常是因为 PyTorch 安装未正确识别 GPU。请按以下步骤排查：\n1. 运行以下代码检查 CUDA 是否可用：\n   ```python\n   import torch\n   print(torch.cuda.is_available())\n   ```\n2. 如果返回 False，请前往 PyTorch 官网 (https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 重新安装支持 CUDA 的 PyTorch 版本。","https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\u002Fissues\u002F14",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},38169,"教程中的演示示例（如薛定谔方程）预测结果不收敛怎么办？","默认的训练轮数可能不足。请在训练配置中增加 `max_epochs` 的值。例如，在使用 Lightning Trainer 时设置为：\n```python\ntrainer = pl.Trainer(accelerator='cpu', devices=1, max_epochs=60000)\n```","https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\u002Fissues\u002F6",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},38170,"在 Jupyter Notebook 中运行 Navier-Stokes 示例时，输出函数无法计算梯度报错怎么办？","这是因为 Lightning Trainer 默认的 `inference_mode` 为 True，导致梯度追踪被禁用。在使用 Jupyter Notebook 定义 Trainer 时，必须显式将其设置为 False：\n```python\ntrainer = pl.Trainer(inference_mode=False)\n```\n注意：Hydra 配置文件默认已处理此设置，但手动实例化 Trainer 时需特别注意。","https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\u002Fissues\u002F12",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},38171,"运行示例时出现 'Project root directory not found' 错误如何解决？","这是由于包版本中查找项目根目录的逻辑存在问题。维护者已修复该 Bug，请重新安装最新版本的包即可解决：\n```bash\npip install -U pinns-torch\n# 或者重新克隆仓库并安装\n```","https:\u002F\u002Fgithub.com\u002Frezaakb\u002Fpinns-torch\u002Fissues\u002F4",[]]