Metaphor

科学机器学习索引

4分钟阅读

科学机器学习索引

概述

科学机器学习（Scientific Machine Learning, SciML）是深度学习与科学计算的交叉领域，旨在通过机器学习方法加速科学发现、解决传统数值方法难以处理的问题。

内容导航

PINNs（Physics-Informed Neural Networks）

文档描述难度
PINNs基础理论PINNs的核心思想、数学框架与训练方法⭐
PINNs训练挑战训练中的梯度冲突、频率偏差等问题及解决方案⭐⭐
PINNs NTK分析使用NTK理论分析PINNs训练动态⭐⭐⭐
PINNs不确定性量化贝叶斯PINNs、EFI框架与校准方法⭐⭐⭐

神经算子（Neural Operators）

文档描述难度
神经算子理论算子学习的数学框架与逼近理论⭐⭐
FNO详解Fourier Neural Operator架构与PyTorch实现⭐⭐
DeepONet解析DeepONet的分支-主干分解与变体⭐⭐
变体比较FNO、DeepONet、LNO等架构对比⭐⭐

AI for Science应用

文档描述难度
CFD应用神经算子在计算流体动力学中的应用⭐⭐
气候科学AI在天气预报与气候建模中的应用⭐⭐
核聚变AI在核聚变研究中的应用⭐⭐⭐

学习路径

入门路径

1. PINNs基础理论
   └── PINNs训练挑战
       └── PINNs不确定性量化

2. 神经算子理论
   └── FNO详解 或 DeepONet解析
       └── 变体比较

进阶路径

1. 神经算子理论（深入）
   ├── FNO详解（深入）
   ├── DeepONet解析（深入）
   └── PINNs NTK分析

2. 应用领域
   ├── CFD应用
   ├── 气候科学
   └── 核聚变

核心公式速查表

PINNs损失函数

PDE残差

FNO傅里叶层

DeepONet

架构对比速查表

特性PINNsFNODeepONet
任务函数逼近算子学习算子学习
输入坐标点网格函数离散传感器
网格无关❌❌✅
物理约束✅ 内嵌✅ 可选✅ 可选
计算效率中等高中等
适用场景反问题、参数推断高分辨率模拟不规则几何

相关主题

深度学习理论

概率图模型

贝叶斯深度学习

参考文献

经典论文

  1. Raissi, M., et al. (2019). Physics-informed neural networks. JCP
  2. Li, Z., et al. (2020). Fourier neural operator. ICLR 2021
  3. Lu, L., et al. (2021). DeepONet. Nature Machine Intelligence

最新进展 (2025)

  1. Wang, Y., et al. (2025). Gradient Alignment in PINNs. NeurIPS 2025
  2. Shih, F., et al. (2025). UQ for PINNs with EFI. NeurIPS 2025
  3. Rahman, M. A., et al. (2025). AdaptFNO. NeurIPS ML4PS 2025

外部资源

此文件夹下有11条笔记。