CoDA-NO

用注意力机制快速求解多物理场 PDE，让仿真更高效

CoDA-NO 是一个基于共域注意力神经算子的开源模型，用于解决偏微分方程（PDE）的单物理到多物理自适应问题。它通过引入共域注意力机制，在多个物理场之间建立高效的特征交互，从而提升模型对复杂多物理系统的建模能力。该项目主要面向科学计算和工程仿真领域，旨在替代传统数值方法，提供更快速、更灵活的 PDE 求解方案。核心能力包括：支持单物理场到多物理场的迁移学习，能够处理不同分辨率和复杂几何的输入，并利用神经算子架构实现高精度预测。CoDA-NO 基于 Python 实现，便于集成到现有科研工作流中。目前项目处于早期阶段，代码和文档正在完善中，适合研究者探索和贡献。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 78

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队neuraloperator

所属国家

官网地址

GitHubhttps://github.com/neuraloperator/CoDA-NO

定价模式free

价格说明开源项目，本地部署，完全免费。

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型foundation-models,neural-operator,pde-solver

GitHub 星标★ 78

30天Star增速

HF 下载量

上线时间2024-03-06 00:00:00

最近更新2026-08-11 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

核心亮点

创新性地将共域注意力引入神经算子，显著提升多物理场耦合建模精度
支持单物理到多物理的迁移，减少重新训练成本
基于 Python 实现，接口简洁，易于扩展和二次开发

不足之处

项目处于早期阶段，文档和示例尚不完善，上手门槛较高
依赖特定深度学习框架，可能限制部分用户的使用场景

适用场景

科研人员快速验证多物理场 PDE 求解新算法
工程仿真中加速流体-结构耦合等复杂问题求解
作为教学工具，演示神经算子与注意力机制在科学计算中的应用

替代项目

DeepXDE、FNO (Fourier Neural Operator)、PDE-Net

项目介绍

CoDA-NO 是模型训练领域的开源项目，由 neuraloperator 开发，2024 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 78。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-11。本地部署，完全免费。

它主要面向的使用场景是：科研人员快速验证多物理场PDE求解新算法。同类可对比的替代方案包括 DeepXDE、FNO (Fourier Neural Operator)、PDE-Net。

上一篇：turtle

下一篇：Aurora