|
第2届北京等贤大模型PINN+神经算子+Codex科研培训班第一轮通知发布日期:2026年07月20日 培训简介 随着工程物理问题日益复杂,传统有限元法在网格划分、计算成本与多物理场耦 合方面面临巨大挑战,而物理信息神经网络(PINN)通过将控制方程、边界条 件直接嵌入损失函数,实现了无网格、可微分的偏微分方程求解。本培训进一步 融合大模型与量子计算的前沿技术:一方面,基于大模型架构的 PINN 能够利用 预训练权重加速不同几何与材料场景下的正向模拟与参数反演,通过注意力机制 自动识别关键物理特征,显著提升非线性、多尺度问题的收敛效率;另一方面, 量子计算为有限元与 PINN 提供了指数级加速的潜力——量子线路可高效求解 大型稀疏线性系统(如 HHL 算法),量子神经网络(QNN)可构造参数化量子 电路来编码物理残差,从而实现量子增强的 PINN 框架。课程将系统讲解:经典 有限元与 PINN 的互补关系;大模型如何提升 PINN 的泛化能力与训练稳定性; 量子计算在数值积分、矩阵求逆与非线性优化中的嵌入方式;以及三者协同在固 体力学、流体力学与热传导等典型场景的落地案例。学员将掌握从理论建模、代 码实现到混合计算环境部署的全流程技能,为下一代智能科学与工程计算储备关键技术。 培训目标 1. 建立PINN与传统数值方法的比较框架 ·理解固体力学、流体力学、传热学中的典型偏微分方程(如Navier-Stokes方程、弹性本构方程)及其数学分类(椭圆/抛物/双曲型)。 ·从离散机制、物理约束、数据需求和求解目标四个维度比较有限差分法、有限单元法与PINN,理解物理与数据双驱动建模的联系。 2. 沿实现流程理解PINN与深度能量法 ·以一维谐振子、渗流和弹塑性力学为例,对照PyTorch、DeepXDE与SciANN中的建模、损失构造、训练和结果评估环节。 ·掌握能量驱动损失函数设计、自动微分等关键技术,复现中科院一区顶刊(如CMAME)中的创新方法。 3. 借助典型案例辨析多领域应用场景 ·流体力学:层流模拟、涡旋捕捉与Nature子刊级diffusion-reaction模拟。 ·固体力学:超弹性材料大变形、弹塑性问题与能量法优化。 ·反问题:材料参数辨识、隐藏物理规律发现。 4. 理解神经算子与Codex在科研协作中的定位 ·熟练使用DeepXDE、SciANN等PINN工具,并理解DeepONet的branch net、trunk net、函数采样与算子推理流程。 ·比较DeepSeek、ChatGPT与Codex在科研代码生成、解释、修改、运行验证、结果分析和写作协作中的分工。 5. 通过论文与代码对读形成跨学科判断 ·围绕CMAME、Computers and Geotechnics等顶刊案例,对读论文方法、代码实现和结果证据,辨析物理编码、因果约束与混合变量方案的适用条件。 ·为计算力学、工业仿真、AI辅助设计等领域的科研与工程实践提供方法论支持。 本课程旨在打通物理建模、数值计算与深度学习的知识壁垒,培养兼具理论深度与工程能力的复合型人才,推动智能科学计算在工业4.0与数字孪生中的创新应用。 培训授课讲师 讲师拥有丰富的PINN培训经验,曾在多个机构担任主讲人授课10余次,授课效果倍受好评,且拥有指导博士研究生发SCI论文的丰富经验。讲师曾在内地985、美国常春藤、香港前三学校、高瓴人工智能学院工作和学习,具有计算机和经典数值方法的双重教育背景,在中科院一区Top等计算力学顶刊CMAME以一作发表二十篇SCI论文,包括多篇PINN和传统数值主题的顶刊论文。 培训内容大纲 第一天·基础段|PDE、FDM/FEM与Python科学计算 1. PDE结构导读:从一般形式认识固体、流体与传热方程 0.0. 一般形式的微分方程推导 0.1 散度算子与平衡项的关系 0.2. 输运方程的对流项 0.3 偏微分方程的三种形式:强形式、弱形式、变分形式 1.1. 固体力学的偏微分方程 1.1.1. 平衡方程 1.1.2. 线弹性本构 1.1.3. 超弹性本构 1.1.4. 塑性本构 1.2. 流体力学的偏微分方程 1.2.1. 无黏、无旋的势流方程 1.2.2. 忽略黏性效应的欧拉方程 1.2.3. 不可压缩纳维-斯托克斯方程 1.3. 传热学的偏微分方程 1.3.1. 稳态热传导 1.3.2. 瞬态热传导 1.4. 一般形式的偏微分方程 1.4.1. 椭圆偏微分方程 1.4.2. 抛物偏微分方程 1.4.3. 双曲偏微分方程 2. 传统数值方法导览:FDM、FEM与仿真数据生成 2.1. 有限差分法原理 2.2. 有限单元法原理 2.3. 案例观察:使用COMSOL生成固体力学与渗流参考数据 2.4. 案例观察:使用Abaqus生成弹塑性固体力学参考数据 3. Python机器学习入门:从数据到首个模型 3.1. 三种运行Python程序的方法 3.2. 常用科学计算库:Numpy和Scipy 3.3. 机器学习的万能python库:scikit-learn 3.4. 如何在Ubuntu系统上运行python程序 第一天·进阶段|深度学习与PINN起步 4. 数据驱动深度网络:结构、训练与输出解读 4.1 激活函数 4.2 神经元 4.3 自动微分方法 4.4 损失函数的构建与正则化 4.5 最优化方法 4.6. 实践:基于Pytorch建立深度神经网络模型并调优 5. 深度学习进阶:关键机制与适用条件 5.1 卷积神经网络CNN(为什么使用CNN?) 5.2 循环神经网络RNN 5.2.1. 长短记忆神经网络LSTM 5.2.2. 门控循环单元网络GRU 5.3. 图神经网络GNN(居然与CNN一模一样?) 5.4. Transformer (Attention is all you need! ) 6. PINN方法导读:数据项与PDE约束如何共同作用 以一维谐振子为导读案例,先从动力学方程和初始/边界条件理解物理约束,再观察PyTorch网络、数据项与运动方程残差如何组成复合损失,并借助自动微分计算高阶导数。课程将建模、训练与误差评估放在同一流程中对照,帮助学员理解PINN由随机初始化走向物理自洽解的机制。 第二天·方法段|PINN论文、深度能量法与DeepXDE 7. 经典PINN论文导读:正问题、逆问题与连续/离散时间模型 PINN开山之作:Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations 1.1 传统数值方法的瓶颈(网格生成、高维问题、反问题不适定性) 1.2 深度学习的优势与局限:数据驱动与物理规律缺失 1.3 PINN的诞生:物理原理与数据智能的深度融合 一、 引言:求解PDE的范式转移 1.1 传统数值方法的瓶颈(网格生成、高维问题、反问题不适定性) 1.2 深度学习的优势与局限:数据驱动与物理规律缺失 1.3 PINN的诞生:物理原理与数据智能的深度融合 二、 PINN的核心机理与数学基础 2.1 框架总览:将物理域作为神经网络的输入空间 2.2 损失函数构造:物理残差、初始/边界条件与实测数据的多目标平衡 2.3 关键技术:自动微分为何是高效计算PDE高阶导数的核心 三、 PINN求解正问题:以Burgers方程为例 3.1 问题描述:强非线性与激波现象的挑战 3.2 网络架构设计与训练技巧 3.3 结果分析:与高精度数值解的比较及泛化能力验证 四、 PINN求解反问题:以参数辨识为例 4.1 问题定义:从稀疏观测数据中学习隐藏的PDE系数 4.2 可微学习机制:物理模型与神经网络参数的联合优化 4.3 案例演示:材料属性或未知物理规律的反演 五、 进阶应用与挑战展望 5.1 复杂场景拓展:Navier-Stokes方程与跨尺度问题 5.2 当前挑战:训练难度、收敛性及计算成本分析 5.3 未来方向:优化算法、多保真度融合与物理机理模型 8. 深度能量法导读:从变分原理到实现与应用 深度能量/深度里兹法物理数据双驱动网络 Deep energy method/Deep Ritz method,DEM,DRM,中科院一区TOP数值计算顶刊CMAME:An energy approach to the solution of partial differential equations in computational mechanics via machine learning: Concepts, implementation and applications 一、 引言:当能量变分原理遇见深度学习 1.1 计算力学的核心:从偏微分方程到能量极小化原理 1.2 传统有限元方法的局限与无网格求解的需求 1.3 新范式:用神经网络参数化力学场,将物理规律作为优化目标 二、 能量法的核心理论:从物理原理到损失函数 2.1 理论基础:最小势能原理与深度学习优化目标的数学同构性 2.2 框架构建:如何将总势能泛函转化为神经网络的训练目标 2.3 优势解析:为何能量法能天然满足物理约束并规避离散困难 三、 实现路径:损失函数设计与自动微分技术 3.1 损失函数设计:应变能主导的物理约束与边界条件的嵌入 3.2 关键引擎:自动微分技术在精确计算能量泛函梯度中的作用 3.3 实现流程:从场参数化到模型训练的全链路解析 四、 典型案例分析:从线弹性到材料非线性 4.1 案例一:弹性力学静动态问题求解 4.2 案例二:超弹性材料大变形分析 4.3 性能对比:与数据驱动模型及传统有限元法的优势对比 五、 方法总结与前沿展望 5.1 方法优势总结:预测精度、计算效率与外推能力 5.2 当前挑战与局限性分析 9. DeepXDE框架解读:计算域、PDE、边界与训练配置 第一章:DeepXDE入门——核心概念与环境搭建 1.1 引言:为何选择DeepXDE?—— 高效PINN开发的关键特性 1.2 环境配置指南:在本地与云端快速配置DeepXDE运行环境 1.3 初识核心API:dde.data、dde.geometry、dde.nn模块概览 1.4 第一个PINN实例:求解一维泊松方程的完整工作流 第二章:几何定义与边界条件设置——构建物理计算域 2.1 几何定义详解:一维区间(Interval)与二维矩形(Rectangle)的创建 2.2 进阶几何:复杂几何(圆形、多边形)与时空域(TimeDomain)的处理 2.3 边界条件编码:DirichletBC、NeumannBC、RobinBC的API用法 2.4 初始条件编码:IC及其在时空问题中的应用 第三章:定义控制方程——PDE残差的灵活表达 3.1 使用Lambda函数快速定义PDE残差(推荐入门) 3.2 自定义偏微分算子:处理复杂或高阶微分方程 3.3 多未知数方程组(PDE系统)的定义方法 3.4 反问题中PDE参数的定义与设置 第四章:神经网络架构配置与优化——平衡效率与精度 4.1 网络架构选择:前馈网络(FNN)与修改版(MFNN)等 4.2 激活函数实战:从tanh到自适应激活函数(如sin)的性能对比 4.3 权重初始化策略:Glorot normal与 He normal的影响 4.4 损失函数配置:平衡PDE残差、边界条件与数据项的权重策略 第五章:综合实战:从一维到高维经典案例 5.1 案例一(一维):Burgers方程激波捕捉 5.2 案例二(二维):稳态/非稳态热传导方程求解 5.3 案例三(反问题):从稀疏数据中反演拉普拉斯方程源项 5.4 案例四(高维):参数化PDE的快速求解 第二天·流体案例段|渗流、层流与物理编码网络 10. 渗流案例导读:一区论文方法与代码对照 中科院一区顶刊论文复现,A physics-informed data-driven approach for consolidation analysis 第一章:科学发现基础——从回归模型到方程项识别 1.1 从线性回归与稀疏回归理解候选项筛选 1.2 L0、L1、L2正则化的作用、差异与选择依据 1.3 数据集组织:空间采样、时间采样与噪声处理 1.4 时间导数和空间导数如何进入科学发现流程 第二章:弱形式方法——降低高阶导数与噪声敏感性 2.1 为什么在科学发现中引入弱形式 2.2 试探函数的选择原则与实现方式 2.3 相容性条件的含义及检查方法 2.4 强形式与弱形式的识别结果及适用条件比较 第三章:渗流问题建模——从控制方程到网络表达 3.1 固结与渗流问题的物理背景、控制方程和边界条件 3.2 渗流神经网络的输入、输出与参数化方式 3.3 观测数据、方程残差与边界约束的对应关系 3.4 正问题和反问题的任务定义与评价指标 第四章:PINN正反分析——损失、优化与代码对读 4.1 正问题与反问题共享损失项的构造思路 4.2 优化器、学习率与训练阶段的选择依据 4.3 稀疏观测条件下参数反演的关键难点 4.4 原始论文代码的模块划分与核心实现导读 第五章:DeepXDE复现——运行、核对与方法判断 5.1 使用DeepXDE重现渗流PINN的基本流程 5.2 对照论文检查预测场、参数反演和误差结果 5.3 比较强形式、弱形式及正反问题设置的适用边界 11. 层流案例辨析:混合变量PINN求解不可压缩流动 本案例先梳理低雷诺数稳态与瞬态层流的控制方程及损失构造,再比较混合变量方案对PINN可训练性和求解精度的影响;随后将预测速度场、压力场与参考数值解对照,辨析“较少数据”和“高精度潜力”成立的条件及其适用范围。 https://github.com/Raocp/PINN-laminar-flow/blob/master/PINN_steady/SteadyFlowCylinder_mixed.py 12. CMAME顶刊:考虑因果关系的流体力学PINN改进+学习用JAX实现PINN 中科院一区TOP数值计算顶刊CMAME:Respecting causality for training physics-informed neural networks 第一章:引言 1.1 研究背景:计算物理与深度学习融合的趋势 1.2 物理信息神经网络(PINN)基本原理:物理约束与损失函数 1.3 流体动力学模拟中的挑战与PINN的优势 1.4 本文主要工作与创新点:提出一种混合变量PINN方案 第二章:混合变量物理信息神经网络方法 2.1 控制方程:低雷诺数流动的Navier-Stokes方程 2.2 传统PINN方法在流体模拟中的局限性 2.3 混合变量方案的构建与理论框架 2.4 网络架构与损失函数设计 第三章:数值实验与讨论 3.1 实验设置:稳态与瞬态层流算例 3.2 参数研究:混合变量方案对可训练性与精度的影响 3.3 结果对比:速度场/压力场的PINN预测与参考解可视化比较 3.4 误差分析与讨论 第四章:结论与展望 4.1 研究结论总结 4.2 所提方法的优势与潜在应用价值 4.3 当前局限性与未来工作方向 13. 物理编码网络导读:有限差分结构如何进入神经网络 Encoding physics to learn reaction–diffusion processes 13.1. 物理编码时空学习 13.2. PDE系统的正演分析 13.3. PDE系统的反演分析 13.4. PeRCNN的结构 13.5. ∏块的普适多项式逼近 13.6. 方程发现与强泛化能力 第三天·固体力学与科研工作流|SciANN、大模型与量子计算 14. PINN与深度能量法:比较正、逆问题中的方法差异 中科院一区TOP数值计算顶刊Computers and Geotechnics: A Comprehensive Investigation of Physics-Informed Learning in Forward and Inverse Analysis of Elastic and Elastoplastic Footing 14.1. Footing问题背景与Ritz方法(正问题) - 问题背景:Footing问题的物理意义与工程应用 - 数学模型:Footing问题的数学描述与控制方程 - Ritz方法:Ritz方法在正演建模中的应用与实现 - PINN框架:论文中PINN实现的核心思路与框架解读 14.2. Footing问题的逆问题求解 - 损失函数构建:PINN中物理驱动损失函数的设计与实现 - 自适应采样:自适应采样方法的原理与实现细节 - 指数加速:逆问题求解中的指数加速技术 - 代码复现与结果分析:代码实现与结果分析(数据集大小、高斯噪声的影响) 15. 混合能量法论文导读:应力集中问题的处理思路 计算力学顶刊Journal of Computational Physics:The mixed Deep Energy Method for resolving concentration features in finite strain hyperelasticity 物理知情神经网络(PINN)的引入导致人们对深度神经网络作为固体力学界PDE的通用近似器的兴趣日益浓厚。最近,深能法(DEM)被提出。DEM基于能量最小化原理,与基于PDE残差的PINN相反。DEM的一个显著优点是,与基于强形式残差的公式相比,它需要对低阶导数进行近似。然而,DEM和经典PINN公式都难以解决应力场和位移场的精细特征,例如固体力学应用中的浓度特征。提出了对深能法(DEM)的扩展,以解决有限应变超弹性的这些特征。开发的称为混合深能法(mDEM)的框架引入了应力测量,作为最近引入的纯位移公式的NN的额外输出。使用这种方法,可以更准确地近似Neumann边界条件,并提高通常导致高浓度的空间特征的精度。为了使所提出的方法更加通用,我们引入了一种基于Delaunay积分的数值积分方案,该方案使mDEM框架能够用于具有应力集中的计算域(即具有孔、凹口等的域)通常需要的随机训练点位置集。我们强调了所提出方法的优点,同时展示了经典PINN和DEM公式的缺点。该方法在涉及具有精细几何特征和集中载荷的域的具有挑战性的计算实验的正向计算方面提供了与有限元法(FEM)相当的结果,但还为解决超弹性背景下的逆问题和参数估计提供了独特的能力。 16. SciANN框架导读:建模、训练与结果评估 SciANN是一个高级人工神经网络API,使用Keras和TensorFlow后端用Python编写。它的开发重点是实现不同网络架构的快速实验,并强调科学计算、基于物理的深度学习和反演。能够用几行代码开始深度学习是做好研究的关键。 17. Nature子刊DeepONet导读:基础、代码与代表论文 概念定位:从“求一个PDE解”转向学习输入函数到输出函数的解算子。 网络结构:拆解branch net、trunk net与内积输出,理解传感器值和查询坐标的角色。 图:DeepONet的输入、训练数据及stacked/unstacked架构。来源:Lu Lu et al., Nature Machine Intelligence (2021), DOI: 10.1038/s42256-021-00302-5;physics-informed扩展参见Sifan Wang et al., Science Advances, DOI: 10.1126/sciadv.abi8605。 代码实操:组织输入函数、传感器点与坐标批次,阅读最小前向传播、训练和推理代码。 奠基论文:Lu Lu等在Nature Machine Intelligence(2021)发表的DeepONet论文。 物理约束扩展:Sifan Wang等在Science Advances发表的physics-informed DeepONets论文。 数据张量、branch/trunk前向、内积输出、训练/推理接口,以及与PINN、FNO/PINO的角色边界。 18. 多模型与Codex科研协作:生成、理解、修改与验证 1 DeepSeek大模型简介 2. DeepSeek大模型生成PINN代码求解椭圆偏微分方程 2.1. Prompt与任务分解 2.2. 代码运行、可视化和Debug 3. ChatGPT大模型生成PINN代码求解抛物偏微分方程 3.1. Prompt与任务分解 3.2. 代码运行、可视化和Debug 4. 比较多模型与Codex在生成、理解、工程修改、执行验证和结果复盘中的分工19. Codex科研协作闭环 学习成果|把一个科研任务整理成可追踪、可复现、可交付的协作闭环。 文献梳理:批量阅读与对照论文,提取问题、假设、方法、证据和待核验点。 代码理解:识别入口脚本、数据处理、网络结构、损失项、配置与输出。 修改复现:先建立基线,再做最小代码修改,运行测试/训练并记录差异。 图表生成:从结果文件和日志绘图,检查单位、误差、基线与图注。 论文表达:协助搭建结构、写方法与结果段,最后由研究者核验引用和结论。 交付修改清单、可运行代码、关键图表和一段可追溯的方法说明。 20. 量子计算入门(拓展) 1 三个基本命题及其拓展 1.1局部性命题 1.2概率命题 1.3邱奇图灵命题 2双缝干涉实验与几率幅 3量子比特 4量子门操作与量子电路 课程特色及授课方式 线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦大模型在PINN领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑; 完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单! 增值服务 1、凡参加人员将获得本次课程学习资料及所有案例模型文件; 2、课程结束可获得本次所学专题全部回放视频; 3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期) 课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高! 学员对于会议答疑给予高度评价! 授课时间 大模型PINN+神经算子+Codex科研专题 2026.09.21----2026.09.24(晚上19:00-22:00) 2026.09.27(上午9:00-11:30 下午 13:30-17:00) 2026.10.09----2026.10.12(晚上19:00-22:00) 腾讯会议线上授课(共五天课程提供全程视频回放和课程群答疑) 课程费用 每人每班:4980元 往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。 报名方式 联系人:陈老师 咨询电话:15652523032(微信同号) 相关事项(必读!) 1、每个学员在报名后都会提供盖有公章的邀请函。 2、若有任何问题需要咨询或沟通,请发送邮件至13141346157@qq.com。 3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。 4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。 |

