PhysicsNeMo：基于 PyTorch 的物理机器学习框架

NVIDIA 开源的 PyTorch 框架，面向物理机器学习与科学机器学习，提供可复用组件和端到端训练配方，用于构建、训练和微调物理 AI 模型。

这个工具是什么

PhysicsNeMo 是 NVIDIA 开源的 PyTorch 框架，面向物理机器学习（physics ML）、科学机器学习（SciML）以及科学与工程中的 AI 应用。它提供可复用的库组件与端到端训练配方，帮助研究者构建、训练和微调深度学习模型，并支持规模化扩展。框架以 Python 为主要语言，采用 Apache-2.0 许可证，可通过 PyPI 安装，并依赖 NVIDIA GPU 与 PyTorch 生态。README 中展示了空气动力学、天气预报、半导体封装、结构力学等方向的示例，说明其定位是覆盖多类物理仿真与工程场景的通用物理 AI 开发框架。

核心能力

• 提供可复用的库组件与端到端训练配方，减少从零搭建物理 ML 流程的工作量
• 基于 PyTorch，便于与现有深度学习代码和工具链衔接
• 支持构建、训练与微调物理 AI 模型，并面向规模化训练
• 附带覆盖空气动力学、天气、半导体封装、结构力学等方向的示例

科研中的典型用法

• 在外部空气动力学任务中训练并比较表面模型与体积模型，用于压力与壁面剪应力场预测
• 使用生成式方法开展区域天气预报，如 StormCast 示例中的高分辨率天气预测
• 在半导体封装、结构力学等工程场景中，用模型替代或辅助传统数值仿真

快速上手

可通过 pip 安装：pip install "nvidia-physicsnemo[cu13]"。若使用 CUDA 12、需要基础安装、可选功能或从源码安装，请参考 README 中的安装选项章节。入门时可先阅读官方文档与 examples 目录下的示例，按任务类型选择对应配方，再结合自身数据与模型进行训练或微调。

生态与相近工具

同领域还有面向科学机器学习的其他开源框架与工具，但 README 未列出具体对比对象。PhysicsNeMo 的特点是与 PyTorch 和 NVIDIA GPU 生态结合，并提供多类物理场景的示例配方。若已有基于 PyTorch 的物理 ML 流程，可优先考虑复用其组件；若需求集中在单一物理领域，也可评估该领域更专用的工具。

项目信息

• 仓库：NVIDIA/physicsnemo
• 星标：3,267　·　派生：786
• 主要语言：Python
• 许可证：Apache-2.0
• 最近提交：2026-09-18
• 项目主页：https://developer.nvidia.com/physicsnemo

本文属于《学科研究工具知识库 · 物理学》第 4 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。