从第一性原理学习物理信息神经网络：一个系统化的 SciML 实现库

由raj8102018维护的GitHub项目《Physics_Informed_Learning》，提供从第一性原理学习物理信息神经网络（PINNs）的系统化路径。项目包含PINNs、算子学习等核心概念的从零实现，覆盖扩散方程、Burgers方程、泊松方程等经典偏微分方程（PDE）案例，使用PyTorch、JAX、DeepXDE等多框架实现，兼顾理论理解与工程应用（如岩土工程Terzaghi固结），是科学机器学习（SciML）领域的优质学习资源。

物理信息机器学习（SciML）是机器学习、科学计算、数值方法等多学科的交汇领域。PINNs的核心思想是将物理定律编码进神经网络损失函数：通过自动微分计算PDE残差，让模型同时拟合观测数据和满足物理约束，解决数据稀疏场景下的物理一致性问题。本项目定位为系统化学习库，而非简单复现，追求框架无关的深层理解。

项目目录按学习路径设计，从基础PDE案例到工程应用有序递进。每个案例采用PyTorch、JAX、DeepXDE等多框架实现，剥离框架特定语法糖，直指核心数学概念。核心方法包括：PDE残差计算（自动微分高阶导数）、边界/初始条件处理（损失函数惩罚偏差）、损失平衡策略（数据损失与物理损失加权）等。

项目覆盖多个关键案例：1.扩散方程（PINN入门，含残差、边界/初始条件构建）；2.Burgers方程（非线性PDE挑战，处理对流项自动微分）；3.逆扩散问题（反推未知扩散系数，展示逆问题求解能力）；4.二维泊松方程（高维空间域处理）；5.波动方程（二阶时间导数特殊处理）；6.Terzaghi固结（岩土工程应用，验证PINNs工程价值）。

项目提供循序渐进的学习路径（从基础到工程应用），手写笔记记录实现思考，是入门SciML的优质资源。SciML代表AI与科学融合的重要方向，通过物理启发AI和AI驱动科学发现的双向互动，重塑复杂问题解决方式。本项目的系统化组织和框架无关策略，对机器学习研究者和工程从业者均具参考价值。

未来可关注SciML前沿方向：训练优化（谱偏置解决、自适应配点、损失平衡改进）；算子学习（DeepONet、傅里叶神经算子、Transformer算子）；应用拓展（垃圾填埋场渗滤液预测、污染物迁移建模、岩土工程数字孪生）等，这些方向推动PINNs从理论走向实际应用。