tum-pbs/PhiFlow

解決的問題

PhiFlow 是一個旨在彌合物理模擬與機器學習之間差距的模擬工具包。它允許使用者建立完全可微分的模擬，這表示可直接整合至神經網路訓練迴圈中，以優化基於物理的參數或學習控制物理系統。

工作原理

該工具包使用 Python 編寫，並與 PyTorch、Jax 和 TensorFlow 等主要機器學習框架緊密整合。透過利用這些後端的自動微分功能，PhiFlow 可在模擬過程中計算梯度。它提供內建的偏微分方程（PDE）運算、高階線性方程求解器，以及對多種模擬方法的支援，包括基於網格的流體、粒子（SPH、FLIP）和網格。

適用對象

從事基於物理的深度學習、物理系統優化以及可微分物理模擬的研究人員與開發者。

主要亮點

• 多後端支援：相同的模擬程式碼可在 NumPy、PyTorch、Jax 或 TensorFlow 上執行，支援在 CPU 與 GPU 之間輕鬆切換執行。
• 可微分模擬：與機器學習框架完全整合，支援包含物理的模型端對端訓練。
• 多樣的模擬類型：支援基於網格的流體、粒子模擬和基於網格的有限體積法（FVM）。
• 互動式 Web UI：包含一個 Web 界面，可用於即時可視化模擬或網路訓練的即時控制。
• 維度無關：模擬程式碼可在不同維度（例如 2D 與 3D）之間重用，無需修改。