学习系统科学的必备参考书，非线性系统以及混沌在物理，生物和化学等领域的出现。

计算物理导论的非常有用的一本书，详细介绍了蒙特卡罗方法，对编程非常有帮助。。。。

spinw：用于自旋波计算的SpinW Matlab库

Solid-State Physics, Fluidics, and Analytical Techniques in Micro- and Nanotechnology

Statistics and Physics in Reliability.

Computational Problems for Physics With Guided Solutions Using Python Landau 2018

尼曼的经典教材，半导体物理与器件。非常厚的一本书。

激光原理外文经典教材，光学相关专业必看...

双摆运动动画 使用Julia和Python的双摆的混沌运动动画。 julia版本是在Jupyter笔记本环境中实现的，而python版本是常规脚本。 可以使用此代码模拟任意长度，质量，初始位置和初始速度的双摆。 两种版本的代码均允许以mp4或gif格式保存动画。 Julia版本 该代码可以将动画另存为gif文件。 它还可以在Jupyter笔记本环境中播放视频。 以相等的时间步长录制动画，以保留视频中摆的相对速度。 Python版本 使用matplotlib的FuncAnimation（）完​​成动画。 该代码可以将动画另存为mp4文件。 python脚本已在spyder环境中进行了测试。 应该启用在外部窗口中进行绘制以查看动画。 Julia版本的包装要求 情节 微分方程 迪瑞克 Python版本的包装要求 麻木 scipy.integrate（odeint） pylab，matplotlib（动画） imagemagick（将动画另存为gif文件） 利用 摆的质量和长度，重力加速度常数，初始条件和模拟持续时间在代码的开头定义。 通过更改这些参数可以模拟不同的情况。 样品输出

基于物理的深度学习 以下材料集合针对“基于物理的深度学习” (PBDL)，即结合物理建模和深度学习 (DL) 技术的方法领域。 在这里，DL 通常指的是基于人工神经网络的方法。 PBDL 的总体方向代表了一个非常活跃且快速发展的研究领域。 在这个领域，我们可以区分各种不同的基于物理的方法，从目标设计、约束、组合方法和优化到应用。 更具体地说，所有方法都针对正向模拟（预测状态或时间演化）或逆向问题（例如，从观察中获得物理系统的参数化）。 除了正向或反向，学习和物理之间的整合类型提供了一种对不同方法进行分类的方法： 数据驱动：数据由物理系统（真实或模拟）产生，但不存在进一步的交互。 损失项：物理动力学（或其部分）在损失函数中编码，通常以可微运算的形式。 学习过程可以重复评估损失，并且通常从基于 PDE 的公式接收梯度。 交错：完整的物理模拟被交错并与深度神经网络的输出相结合； 这需要一