[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tum-pbs--pbdl-book":3,"tool-tum-pbs--pbdl-book":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",147882,2,"2026-04-09T11:32:47",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"stars":95,"forks":96,"last_commit_at":97,"license":75,"difficulty_score":10,"env_os":98,"env_gpu":99,"env_ram":100,"env_deps":101,"category_tags":104,"github_topics":106,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":154},5885,"tum-pbs\u002Fpbdl-book","pbdl-book","Welcome to the Physics-based Deep Learning Book v0.3 - the GenAI Edition","pbdl-book 是一本专注于“基于物理的深度学习”的开源互动教程，旨在架起传统数值模拟与现代人工智能之间的桥梁。它并非单纯的理论著作，而是一套配有完整代码的实战指南，帮助读者利用深度神经网络高效求解偏微分方程（PDE），同时深度融合物理规律与现有数值方法。\n\n该项目主要解决了传统科学计算中仿真速度慢、反问题求解难以及纯数据驱动模型缺乏物理可解释性等痛点。通过引入物理损失约束、可微分模拟以及最新的扩散生成模型，pbdl-book 展示了如何构建既快又准的概率代理模型，甚至在特定领域超越传统求解器。\n\n本书特别适合从事计算科学、流体力学研究的科研人员，以及希望将 AI 技术应用于科学仿真的开发者。其独特亮点在于不仅涵盖基础监督学习，更深入探讨了扩散建模预测流体、利用模型方程残差训练网络、以及结合强化学习解决逆问题等前沿内容。最新版本更增加了关于生成式 AI 的专门章节，介绍了去噪、流匹配及专为物理模拟设计的神经架构。无论你是想复现经典算法，还是探索下一代科学基础模型，pbdl-book 都提供了基于 Jupyter Notebook 的交互式学习环境，让你能快速上手并验证想法。","# Welcome to the Physics-based Deep Learning book (PBDL) v0.3\n\nThis is the source code repository for the Jupyter book \"Physics-based Deep Learning\". You can find the full, readable version online at:\n[https:\u002F\u002Fphysicsbaseddeeplearning.org\u002F](https:\u002F\u002Fphysicsbaseddeeplearning.org\u002F)\n\nA single-PDF version is also available on arXiv: https:\u002F\u002Farxiv.org\u002Fpdf\u002F2109.05237.pdf \n\n![PBDL](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftum-pbs_pbdl-book_readme_e6f6675c5984.jpg)\n\n# A Short Synopsis\n\nThe PBDL book contains a hands-on, comprehensive guide to deep learning in the realm of physical simulations. Rather than just theory, we emphasize practical application: every concept is paired with interactive Jupyter notebooks to get you up and running quickly. Beyond traditional supervised learning, we dive into physical loss-constraints, differentiable simulations, diffusion-based approaches for probabilistic generative AI, as well as reinforcement learning and advanced neural network architectures. These foundations are paving the way for the next generation of scientific foundation models. We are living in an era of rapid transformation. These methods have the potential to redefine what’s possible in computational science.\n\nThe key aspects that we will address in the following are:\n\n* How to train neural networks to predict the fluid flow around airfoils with diffusion modeling. This gives a probabilistic surrogate model that replaces and outperforms traditional simulators.\n* How to use model equations as residuals to train networks that represent solutions, and how to improve upon these residual constraints by using differentiable simulations.\n* How to more tightly interact with a full simulator for inverse problems. E.g., we’ll demonstrate how to circumvent the convergence problems of standard reinforcement learning techniques by leveraging simulators in the training loop.\n* We’ll also discuss the importance of choosing the right network architecture: whether to consider global or local interactions, continuous or discrete representations, and structured versus unstructured graph meshes.\n\nThe focus of this book lies on:\n\n* how to use deep learning techniques to solve PDE problems,\n* how to combine them with existing knowledge of physics,\n* without discarding numerical methods.\n\nAt the same time, it’s worth noting what we won’t be covering:\n\n* There’s no in-depth introduction to deep learning and numerical simulations,\n* and the aim is neither a broad survey of research articles in this area.\n\n\nThe name of this book, _Physics-based Deep Learning_, denotes combinations of physical modeling and numerical simulations with methods based on artificial neural networks. The general direction of Physics-Based Deep Learning represents a very active, quickly growing and exciting field of research.\n\nThe aim is to build on all the powerful numerical techniques that we have at our disposal, and use them wherever we can. As such, a central goal of this book is to reconcile the data-centered viewpoint with physical simulations.\n\nThe resulting methods have a huge potential to improve what can be done with numerical methods: in scenarios where a solver targets cases from a certain well-defined problem domain repeatedly, it can for instance make a lot of sense to once invest significant resources to train a neural network that supports the repeated solves. Based on the domain-specific specialization of this network, such a hybrid could vastly outperform traditional, generic solvers.\n\n![Divider](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftum-pbs_pbdl-book_readme_7922408b8716.jpg)\n\n# What's new?\n\nWhat’s new in v0.3? This latest edition takes things even further with a major new chapter on generative modeling, covering cutting-edge techniques like denoising, flow-matching, autoregressive learning, physics-integrated constraints, and diffusion-based graph networks. We’ve also introduced a dedicated section on neural architectures specifically designed for physics simulations. All code examples have been updated to leverage the latest frameworks.\n\n\n# Teasers\n\nTo mention a few highlights: the book contains a notebook to train hybrid fluid flow (Navier-Stokes) solvers via differentiable physics to reduce numerical errors. Try it out in Colab:\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fdiffphys-code-sol.ipynb\n\nPBDL also has example code to train diffusion denoising and flow matching networks for RANS flow predictions around airfoils that yield uncertainty estimates. You can run the code right away here:\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fprobmodels-ddpm-fm.ipynb\n\nThere's a notebook for an improved learning scheme which jointly computes update directions for neural networks and physics (via half-inverse gradients):\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fphysgrad-hig-code.ipynb\n\nAnd a notebook to compare proximal policy-based reinforcement learning with physics-based learning for controlling PDEs (spoiler: the physics-aware version does better in the end). Give it a try:\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Freinflearn-code.ipynb\n\n\n![Divider](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftum-pbs_pbdl-book_readme_b2d203343d43.jpg)\n\n","# 欢迎阅读基于物理的深度学习书籍（PBDL）v0.3\n\n这是 Jupyter 书籍《基于物理的深度学习》的源代码仓库。您可以在以下链接找到完整、可读的在线版本：\n[https:\u002F\u002Fphysicsbaseddeeplearning.org\u002F](https:\u002F\u002Fphysicsbaseddeeplearning.org\u002F)\n\n此外，arXiv 上也提供了单 PDF 版本：https:\u002F\u002Farxiv.org\u002Fpdf\u002F2109.05237.pdf\n\n![PBDL](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftum-pbs_pbdl-book_readme_e6f6675c5984.jpg)\n\n# 简要概述\n\nPBDL 书籍提供了一套面向实践、全面深入的指南，介绍如何在物理仿真领域应用深度学习。我们不局限于理论讲解，而是着重于实际操作：每个概念都配有交互式 Jupyter 笔记本，帮助您快速上手。除了传统的监督学习之外，本书还深入探讨了物理损失约束、可微分仿真、基于扩散的概率生成式人工智能方法，以及强化学习和先进的神经网络架构。这些基础技术正在为下一代科学基础模型铺平道路。我们正处在一个快速变革的时代，这些方法有望重新定义计算科学的可能性。\n\n本书将重点讨论以下几个方面：\n\n* 如何利用扩散建模训练神经网络来预测机翼周围的流场？这将生成一个概率化的代理模型，能够替代并超越传统仿真器。\n* 如何将模型方程作为残差来训练表示解的神经网络，以及如何通过可微分仿真进一步优化这些残差约束？\n* 如何更紧密地与完整的仿真器结合，解决反问题？例如，我们将展示如何通过在训练过程中引入仿真器，克服标准强化学习方法的收敛难题。\n* 我们还将讨论选择合适网络架构的重要性：是考虑全局还是局部交互，连续还是离散表示，以及结构化与非结构化图网格的选择。\n\n本书的重点在于：\n\n* 如何运用深度学习技术求解偏微分方程问题；\n* 如何将深度学习与现有的物理知识相结合；\n* 同时不摒弃数值方法。\n\n与此同时，我们也需要明确本书不会涉及的内容：\n\n* 不会深入介绍深度学习和数值模拟的基础知识；\n* 本书也并非对该领域研究文献的全面综述。\n\n本书名称“基于物理的深度学习”指代的是将物理建模和数值模拟与人工神经网络方法相结合的技术。基于物理的深度学习是一个非常活跃、发展迅速且令人振奋的研究方向。\n\n我们的目标是充分利用现有强大的数值计算技术，并在适当的地方加以应用。因此，本书的核心目标之一就是协调数据驱动的视角与物理仿真之间的关系。\n\n由此产生的方法具有巨大的潜力，可以显著提升数值计算的能力：在求解器需要反复处理某一特定问题域中的案例时，一次性投入大量资源训练一个支持重复求解的神经网络，往往是非常有意义的做法。基于该网络针对特定领域的专业化特性，这种混合方案可以远远超越传统的通用求解器。\n\n![分割线](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftum-pbs_pbdl-book_readme_7922408b8716.jpg)\n\n# 新增内容？\n\nv0.3 版本有哪些新内容呢？最新版本进一步扩展了内容，新增了一个关于生成式建模的重要章节，涵盖了去噪扩散、流匹配、自回归学习、融合物理约束以及基于扩散的图网络等前沿技术。此外，我们还专门设立了一个部分，介绍专为物理仿真设计的神经网络架构。所有代码示例均已更新，以充分利用最新的框架。\n\n# 预告\n\n书中包含一些亮点：例如，有一个笔记本演示如何通过可微分物理训练混合型流体流动（Navier-Stokes）求解器，从而减少数值误差。您可以在 Colab 中试一试：\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fdiffphys-code-sol.ipynb\n\nPBDL 还提供了用于训练 RANS 流场下机翼周围流场预测的扩散去噪和流匹配网络的示例代码，这些网络能够输出不确定性估计。您可以立即在此运行代码：\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fprobmodels-ddpm-fm.ipynb\n\n此外，还有一个改进的学习方案笔记本，它能够同时计算神经网络和物理模型的更新方向（通过半逆梯度）：\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fphysgrad-hig-code.ipynb\n\n还有一个笔记本比较了基于近端策略的强化学习与基于物理信息的强化学习在控制偏微分方程方面的表现（剧透：最终基于物理信息的方法效果更好）。不妨试试看：\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Freinflearn-code.ipynb\n\n\n![分割线](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftum-pbs_pbdl-book_readme_b2d203343d43.jpg)","# pbdl-book 快速上手指南\n\n`pbdl-book` 是《基于物理的深度学习》（Physics-based Deep Learning）一书的开源代码库。本项目专注于结合物理模拟与深度神经网络，提供大量交互式 Jupyter Notebook，涵盖流体预测、可微分物理、扩散模型及强化学习等前沿内容。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：Python 3.8 或更高版本\n*   **核心依赖**：\n    *   Jupyter Book \u002F JupyterLab\n    *   PyTorch 或 TensorFlow (具体取决于笔记本示例，现代版本通常优先支持 PyTorch)\n    *   NumPy, SciPy, Matplotlib\n*   **硬件建议**：部分涉及流体模拟和扩散模型的示例需要 GPU 加速（支持 CUDA）。\n\n> **提示**：为了获得最佳体验并避免环境冲突，强烈建议使用虚拟环境（如 `venv` 或 `conda`）。\n\n## 安装步骤\n\n### 1. 克隆仓库\n首先从 GitHub 获取源代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftum-pbs\u002Fpbdl-book.git\ncd pbdl-book\n```\n\n*(国内用户若连接缓慢，可使用镜像源：`git clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002Fpbdl-book.git`，如有对应镜像)*\n\n### 2. 创建虚拟环境\n推荐使用 Conda 管理环境（需预先安装 Miniconda\u002FAnaconda）：\n\n```bash\nconda create -n pbdl python=3.9\nconda activate pbdl\n```\n\n或使用 Python venv：\n\n```bash\npython -m venv pbdl-env\nsource pbdl-env\u002Fbin\u002Factivate  # Linux\u002FmacOS\n# pbdl-env\\Scripts\\activate   # Windows\n```\n\n### 3. 安装依赖\n项目通常包含 `requirements.txt` 文件。为确保下载速度，建议配置国内 pip 镜像源（如清华源）进行安装：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n如果根目录没有统一的 `requirements.txt`，请进入具体的章节文件夹（例如 `diffphys-code-sol`），安装该示例所需的特定依赖：\n\n```bash\ncd diffphys-code-sol\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n本项目的核心内容是可交互的 Jupyter Notebooks。您可以选择本地运行或直接使用 Google Colab 在线体验。\n\n### 方式一：本地运行\n\n1.  启动 Jupyter Lab：\n    ```bash\n    jupyter lab\n    ```\n2.  在浏览器中打开任意一个 `.ipynb` 文件（例如 `diffphys-code-sol.ipynb`）。\n3.  按顺序执行单元格即可复现书中的物理深度学习实验。\n\n### 方式二：在线运行 (Colab)\n\n无需本地配置环境，直接点击以下链接在云端运行精选示例：\n\n*   **混合流体求解器 (可微分物理)**：\n    训练混合流体流动求解器以减少数值误差。\n    [在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fdiffphys-code-sol.ipynb)\n\n*   **概率生成模型 (扩散模型)**：\n    训练去噪扩散模型预测翼型周围的 RANS 流场并提供不确定性估计。\n    [在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fprobmodels-ddpm-fm.ipynb)\n\n*   **物理梯度优化 (Half-Inverse Gradients)**：\n    联合计算神经网络和物理场的更新方向。\n    [在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Fphysgrad-hig-code.ipynb)\n\n*   **强化学习对比**：\n    对比基于策略的强化学习与基于物理的学习在控制 PDE 问题上的表现。\n    [在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftum-pbs\u002Fpbdl-book\u002Fblob\u002Fmain\u002Freinflearn-code.ipynb)\n\n> **注意**：在 Colab 中运行时，请点击菜单栏的 **Runtime (运行时)** -> **Change runtime type (更改运行时类型)**，将 **Hardware accelerator (硬件加速器)** 设置为 **GPU** 以获得更快的训练速度。","某航空航天研发团队正致力于利用深度学习加速机翼周围流体动力学的仿真计算，以替代传统耗时的高保真数值求解器。\n\n### 没有 pbdl-book 时\n- 团队难以将物理守恒定律（如质量、动量守恒）有效融入神经网络训练，导致模型预测结果违背基本物理常识，出现非物理解。\n- 面对复杂的偏微分方程（PDE）反演问题，直接套用通用强化学习算法往往陷入收敛困境，无法稳定优化网络参数。\n- 缺乏针对物理场景的专用架构指导，在处理非结构化网格或连续场数据时，只能盲目尝试现有模型，效率低下且精度不佳。\n- 想要引入最新的扩散模型（Diffusion Models）构建概率代理模型时，因缺少系统的代码实现参考，研发周期被大幅拉长。\n\n### 使用 pbdl-book 后\n- 借助书中提供的“物理损失约束”与可微分仿真教程，团队成功将控制方程残差作为训练目标，确保预测流场严格遵循物理规律。\n- 利用书中演示的“仿真器嵌入训练循环”策略，巧妙规避了标准强化学习的收敛难题，高效解决了复杂边界条件下的逆设计问题。\n- 参考书中关于图神经网络与连续表示的架构选型指南，快速构建了适配机翼非结构化网格的专用模型，显著提升了特征提取能力。\n- 直接复用 v0.3 版本中基于扩散模型的生成式 AI 代码案例，迅速搭建出高性能概率代理模型，在保持精度的同时将推理速度提升数个数量级。\n\npbdl-book 通过提供“物理原理 + 深度学习”的实战代码库，帮助团队打破了纯数据驱动方法的局限，实现了兼具物理一致性与计算高效性的新一代科学计算范式。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftum-pbs_pbdl-book_e6f6675c.jpg","tum-pbs","TUM Physics-based Simulation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftum-pbs_47aba632.png",null,"https:\u002F\u002Fge.in.tum.de","https:\u002F\u002Fgithub.com\u002Ftum-pbs",[79,83,87,91],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",99,{"name":84,"color":85,"percentage":86},"TeX","#3D6117",0.8,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0.1,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0,1302,203,"2026-04-08T07:11:03","","未说明（但涉及物理模拟和扩散模型，通常建议使用支持 CUDA 的 NVIDIA GPU）","未说明",{"notes":102,"python":100,"dependencies":103},"README 中未明确列出具体的操作系统、Python 版本、依赖库列表或硬件配置要求。该项目主要通过 Google Colab 提供交互式示例，建议在 Colab 环境中直接运行或通过项目在线文档获取最新的环境配置信息。内容涵盖流体力学模拟、扩散模型及强化学习，对计算资源可能有较高需求。",[],[14,105],"其他",[107,108,109,110,111,112,113,114,115],"deep-learning","numerical-simulations","pde-solvers","artificial-intelligence","fluids","probabilistic-models","bayesian-inference","machine-learning","spatio-temporal-prediction","2026-03-27T02:49:30.150509","2026-04-09T21:35:29.022411",[119,124,129,134,139,144,149],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},26709,"运行代码时遇到 'module phi.math has no attribute expand_dims' 或 Keras 3 兼容性错误怎么办？","这通常是由于 phiflow 版本过新导致的。该笔记本需要特定旧版本的 phiflow。请在运行代码前执行以下命令安装指定版本：\n!pip install --quiet phiflow==1.5.1\n此外，确保使用兼容的 TensorFlow 版本（如 2.6.2 或维护者测试过的版本）。","https:\u002F\u002Fgithub.com\u002Ftum-pbs\u002Fpbdl-book\u002Fissues\u002F19",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},26710,"在可微分流体模拟（Differentiable Fluid Simulations）中遇到 'Diverged' 错误或求解不收敛怎么办？","这是由 phiflow 3.4 及 phiml 更新引起的兼容性问题。临时解决方法是修改压力求解调用，显式指定求解器和容差。将代码中的:\nfluid.make_incompressible(velocity)\n替换为:\nfluid.make_incompressible(velocity, (), Solve('CG', 1e-3))\n这将使用共轭梯度法（CG）并设置容差为 1e-3 来解决发散问题。","https:\u002F\u002Fgithub.com\u002Ftum-pbs\u002Fpbdl-book\u002Fissues\u002F37",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},26711,"运行 Burgers 优化代码时出现 'InvalidArgumentError: Value for attr T of float is not in the list...' 或 bitwise_and 错误如何解决？","该错误是由最新版的 phiflow 和 phiml 引起的。请升级或重新安装特定版本的 phiflow 以修复此问题。在 Notebook 中运行以下命令：\n!pip install --upgrade --quiet phiflow==3.4\n安装完成后，扩散算子（diffuse.explicit）和梯度计算应能正常工作。","https:\u002F\u002Fgithub.com\u002Ftum-pbs\u002Fpbdl-book\u002Fissues\u002F35",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},26712,"这本书有 PyTorch 版本吗？是否支持 PyTorch 后端？","目前并非所有笔记本都同时提供 TensorFlow 和 PyTorch 两个版本，但部分笔记本（如不可压缩流示例）已经使用了 PyTorch。更重要的是，本书核心使用的物理引擎库 phiflow 原生支持 PyTorch、TensorFlow 和 JAX。因此，现有的代码示例通常可以通过切换后端轻松地在 PyTorch 中运行。","https:\u002F\u002Fgithub.com\u002Ftum-pbs\u002Fpbdl-book\u002Fissues\u002F4",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},26713,"如何获取本书的 PDF 离线版本？","本书已发布 PDF 版本，您可以直接在 arXiv 上下载：\nhttps:\u002F\u002Farxiv.org\u002Fpdf\u002F2109.05237.pdf","https:\u002F\u002Fgithub.com\u002Ftum-pbs\u002Fpbdl-book\u002Fissues\u002F1",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},26714,"在 Intro Teaser 笔记本中，dp 部分的 fit 方法第二个参数应该传 X 还是 Y？","代码中使用 X 作为第二个参数（即 nn_dp.fit(X, X, ...)）是正确的。这是因为在可微分物理（Differentiable Physics）的设置中，平方操作是在损失函数 loss_dp() 内部处理的，而不是像监督学习那样直接对比预测值和标签 Y。如果将其改为 Y，将无法得到预期的可微分物理训练结果。","https:\u002F\u002Fgithub.com\u002Ftum-pbs\u002Fpbdl-book\u002Fissues\u002F23",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},26715,"运行代码时遇到 'RuntimeError: Expected all tensors to be on the same device' (cuda:0 和 cpu) 错误怎么办？","这是一个设备不一致的 Bug，通常发生在将输入数据移动到 GPU 但模型内部的时间张量或其他变量仍留在 CPU 上时。维护者已确认并修复了该问题。如果您遇到此错误，请确保拉取最新的代码库更新。如果是自行修改代码，请检查所有参与计算的张量（包括时间步 t）是否都已通过 .to(device) 移动到了相同的设备上。","https:\u002F\u002Fgithub.com\u002Ftum-pbs\u002Fpbdl-book\u002Fissues\u002F31",[]]