tum-pbs/PhiFlow

解决的问题

PhiFlow 是一个旨在弥合物理模拟与机器学习之间差距的模拟工具包。它允许用户创建完全可微分的模拟，这意味着可以将它们直接集成到神经网络训练循环中，以优化基于物理的参数或学习控制物理系统。

工作原理

该工具包使用 Python 编写，并与 PyTorch、Jax 和 TensorFlow 等主要机器学习框架紧密集成。通过利用这些后端的自动微分功能，PhiFlow 可以在模拟过程中计算梯度。它提供内置的偏微分方程（PDE）操作、高级线性方程求解器，以及对多种模拟方法的支持，包括基于网格的流体、粒子（SPH、FLIP）和网格。

适用人群

从事基于物理的深度学习、物理系统优化以及可微分物理模拟的研究人员和开发者。

主要亮点

• 多后端支持：相同的模拟代码可在 NumPy、PyTorch、Jax 或 TensorFlow 上运行，支持在 CPU 和 GPU 之间轻松切换执行。
• 可微分模拟：与机器学习框架完全集成，支持包含物理的模型端到端训练。
• 多样的模拟类型：支持基于网格的流体、粒子模拟和基于网格的有限体积法（FVM）。
• 交互式 Web UI：包含一个 Web 界面，用于实时可视化模拟或网络训练的实时控制。
• 维度无关：模拟代码可在不同维度（例如 2D 与 3D）之间复用，无需修改。