PhiFlow - 注重物理模拟与机器学习的开源仿真工具

构建状态

Φ_Flow 是一个开源的仿真工具包，专为优化和机器学习应用而构建。它主要用 Python 编写，可以与 NumPy, PyTorch, Jax 或 TensorFlow 一起使用。与这些机器学习框架的紧密集成使其能够利用它们的自动微分功能，使得构建涉及学习模型和物理仿真的端到端可微函数变得容易。

示例

网格


Fluid logo	尾流	驱顶腔	泰勒-格林

烟羽	可变边界	并行模拟	移动障碍物

旋转棒	多网格流体	高阶柯尔莫戈罗夫	热流

伯格斯方程	反应扩散	波	朱利亚集合

网格


后向台阶	热流	网格构建	尾流

粒子


SPH	FLIP	流线	地形

重力	台球	绳索

优化与网络


梯度下降	优化投掷	学习投掷	PIV

密堆	学习Φ(x,y)	可微分压力

安装

使用 pip 在 Python 3.6 及以上版本进行安装：

$ pip install phiflow

此外安装 PyTorch、TensorFlow 或 Jax 以启用机器学习功能和 GPU 执行。要启用网页用户界面，还可以安装 Dash。为了达到最佳 GPU 性能，您可能需要编译自定义的 CUDA 操作符，详见安装详细说明。

您可以运行

$ python3 -c "import phi; phi.verify()"

来验证您的安装。这将检查兼容的 PyTorch、Jax 和 TensorFlow 安装。

特性

与 PyTorch、Jax 和 TensorFlow 紧密集成，可轻松进行神经网络训练，并支持完全可微分的模拟，可以在 GPU 上运行。
内置偏微分方程 (PDE) 操作，重点关注流体现象，允许运用简洁的方式进行模拟。
灵活、易于使用的网络界面，具备实时可视化和交互控制功能，可以实时影响模拟或网络训练。
面向对象的向量化设计，可编写具有表现力的代码，易于使用，灵活且可扩展。
可重用的模拟代码，独立于后端和维度，换句话说，同样的代码可以使用 NumPy 运行 2D 流体模拟，也可以使用 TensorFlow 或 PyTorch 在 GPU 上运行 3D 流体模拟。
高级线性方程求解器，支持自动生成稀疏矩阵。

📖 文档与教程

文档概览 • ▶ YouTube 教程 • API • 演示 • 实验场 Φ-Flow 基于 Φ_ML 的张量功能。要了解 Φ_Flow 的工作原理，请首先查看命名和类型化维度。

入门

物理

场

几何

张量

其他

Φ_Flow 到 Blender
注意事项：如何保持代码兼容 PyTorch、TensorFlow 和 Jax
旧版可视化 & Dash & 控制台
旧版物理概览

📄 引用

请使用以下引用：

@inproceedings{holl2024phiflow,
  title={${\Phi}_{\text{Flow}}$ ({PhiFlow}): Differentiable Simulations for PyTorch, TensorFlow and Jax},
  author={Holl, Philipp and Thuerey, Nils},
  booktitle={International Conference on Machine Learning},
  year={2024},
  organization={PMLR}
}