DeepXDE：科学计算与PINN物理信息神经网络的深度学习库

DeepXDE 是一个用于科学机器学习和物理信息学习（Physics-Informed Learning）的库，主要用于解决各种偏微分方程（PDEs）、常微分方程（ODEs）、积分微分方程（IDEs）等数学问题。该库支持多种前沿的物理信息神经网络（PINNs）方法，并且能够有效地处理不同类型的物理建模任务。DeepXDE 的核心目标是将深度学习方法与物理领域的传统数值计算方法结合，促进科学计算和工程建模的高效求解。

源代码：https://github.com/lululxvi/deepxde

主要特点和功能

1. 物理信息神经网络（PINN） :
   • 常规 PINN ：用于解决常微分方程（ODEs）和偏微分方程（PDEs）的正向和反向问题。
   • fPINN ：用于解决分数阶偏微分方程（fPDEs）的正向和反向问题。
   • PINN 与硬约束（hPINN） ：用于解决反向设计和拓扑优化问题。
   • 多尺度 Fourier 特征 PINN ：增强 PINN 在多尺度问题中的表现。
   • 残差自适应采样