[Doc] Fix url link in docs and update index.md (#998)

* update toolkit support

* update(test=document_fix)

Author: HydrogenSulfate

README.md

@@ -54,7 +54,7 @@ PaddleScience 是一个基于深度学习框架 PaddlePaddle 开发的科学计
 | 光孤子 | [Optical soliton](https://paddlescience-docs.readthedocs.io/zh-cn/latest/zh/examples/nlsmb) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.1007/s11071-023-08824-w)|
 | 光纤怪波 | [Optical rogue wave](https://paddlescience-docs.readthedocs.io/zh-cn/latest/zh/examples/nlsmb) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.1007/s11071-023-08824-w)|
 | 域分解 | [XPINN](https://paddlescience-docs.readthedocs.io/zh-cn/latest/zh/examples/xpinns) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.4208/cicp.OA-2020-0164)|
-| 布鲁塞尔扩散系统 | [3D-Brusselator](https://paddlescience-docs.readthedocs.io/zh-cn/latest/zh/examples/brusselator.md) | 数据驱动 | LNO | 监督学习 | - | [Paper](https://arxiv.org/abs/2303.10528)|
+| 布鲁塞尔扩散系统 | [3D-Brusselator](https://paddlescience-docs.readthedocs.io/zh-cn/latest/zh/examples/brusselator3d) | 数据驱动 | LNO | 监督学习 | - | [Paper](https://arxiv.org/abs/2303.10528)|
 
 <br>
 <p align="center"><b>技术科学(AI for Technology)</b></p>
@@ -238,10 +238,19 @@ python -c "import paddle; paddle.utils.run_check()"
 
 请参考 [**快速开始**](https://paddlescience-docs.readthedocs.io/zh-cn/latest/zh/quickstart/)
 
-## 🎈其他领域支持
+## 🎈生态工具
 
 <!-- --8<-- [start:adaptation] -->
-除 PaddleScience 套件外，Paddle 框架还支持了 [Modulus-sym](https://github.com/PaddlePaddle/modulus-sym/tree/paddle?tab=readme-ov-file#modulus-symbolic-betapaddle-backend)、[DeepXDE](https://github.com/lululxvi/deepxde/tree/master?tab=readme-ov-file#deepxde) 的所有案例，分子动力学套件 [DeepMD-kit](https://github.com/deepmodeling/deepmd-kit/tree/paddle2?tab=readme-ov-file#deepmd-kitpaddlepaddle-backend) 部分案例和功能。
+除 PaddleScience 外，Paddle 框架同时支持了科学计算领域相关的研发套件和基础工具：
+
+| 工具 | 简介 | 支持情况 |
+| -- | -- | -- |
+| [Modulus-sym](https://github.com/PaddlePaddle/modulus-sym/tree/paddle?tab=readme-ov-file#modulus-symbolic-betapaddle-backend) | AI仿真套件 | 全量支持 |
+| [DeepXDE](https://github.com/lululxvi/deepxde/tree/master?tab=readme-ov-file#deepxde) | 方程求解套件 | 全量支持 |
+| [DeepMD-kit](https://github.com/deepmodeling/deepmd-kit/tree/paddle#deepmd-kitpaddlepaddle-backend) | 分子动力学套件 | 部分支持 |
+| [TensorLy](https://tensorly.org/dev/index.html) | 张量计算库 | 全量支持 |
+| [NVIDIA/warp](https://github.com/NVIDIA/warp) | 高性能仿真/图形库 | 全量支持 |
+| [DLPACK(v0.8)](https://dmlc.github.io/dlpack/latest/index.html) | 跨框架张量内存共享协议 | 全量支持 |
 <!-- --8<-- [end:adaptation] -->
 
 <!-- --8<-- [start:support] -->
@@ -278,7 +287,7 @@ PaddleScience 作为一个开源项目，欢迎来各行各业的伙伴携手共
 
 - PaddleScience 的部分模块和案例设计受 [NVIDIA-Modulus](https://github.com/NVIDIA/modulus/tree/main)、[DeepXDE](https://github.com/lululxvi/deepxde/tree/master)、[PaddleNLP](https://github.com/PaddlePaddle/PaddleNLP/tree/develop)、[PaddleClas](https://github.com/PaddlePaddle/PaddleClas/tree/develop) 等优秀开源套件的启发。
 <!-- --8<-- [end:thanks] -->
-- PaddleScience 的部分案例和代码由以下优秀社区开发者贡献（按 [Contributors](https://github.com/PaddlePaddle/PaddleScience/graphs/contributors) 排序）：
+- PaddleScience 的部分案例和代码由以下优秀社区开发者贡献，（完整的贡献者请参考: [Contributors](https://github.com/PaddlePaddle/PaddleScience/graphs/contributors)）：
     [Asthestarsfalll](https://github.com/Asthestarsfalll)，
     [co63oc](https://github.com/co63oc)，
     [MayYouBeProsperous](https://github.com/MayYouBeProsperous)，
@@ -305,6 +314,7 @@ PaddleScience 作为一个开源项目，欢迎来各行各业的伙伴携手共
     [ccsuzzh](https://github.com/ccsuzzh)，
     [enkilee](https://github.com/enkilee)，
     [GreatV](https://github.com/GreatV)
+    ...
 
 ## 🤝合作单位
 

docs/index.md

@@ -92,7 +92,7 @@
 | 光孤子 | [Optical soliton](./zh/examples/nlsmb.md) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.1007/s11071-023-08824-w)|
 | 光纤怪波 | [Optical rogue wave](./zh/examples/nlsmb.md) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.1007/s11071-023-08824-w)|
 | 域分解 | [XPINN](./zh/examples/xpinns.md) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.4208/cicp.OA-2020-0164)|
-| 布鲁塞尔扩散系统 | [3D-Brusselator](./zh/examples/brusselator.md) | 数据驱动 | LNO | 监督学习 | - | [Paper](https://arxiv.org/abs/2303.10528)|
+| 布鲁塞尔扩散系统 | [3D-Brusselator](./zh/examples/brusselator3d.md) | 数据驱动 | LNO | 监督学习 | - | [Paper](https://arxiv.org/abs/2303.10528)|
 
 <br>
 <p align="center"><b>技术科学(AI for Technology)</b></p>
@@ -176,33 +176,12 @@
 ./README.md:feature
 --8<--
 
-## 🎈其他领域支持
+## 🎈生态工具
 
 --8<--
 ./README.md:adaptation
 --8<--
 
-<div class="container">
-    <a href="https://github.com/lululxvi/deepxde/tree/master?tab=readme-ov-file#deepxde">
-        <div class="card card-deepxde">
-            DeepXDE
-            <br><span class="text-large">全量支持</span></br>
-        </div>
-    </a>
-    <a href="https://github.com/PaddlePaddle/modulus-sym/tree/paddle?tab=readme-ov-file#modulus-symbolic-betapaddle-backend">
-        <div class="card card-deepmd">
-            Modulus-sym
-            <br><span class="text-large">全量支持</span></br>
-        </div>
-    </a>
-    <a href="https://github.com/deepmodeling/deepmd-kit/tree/paddle?tab=readme-ov-file#deepmd-kitpaddlepaddle-backend">
-        <div class="card card-modulus">
-            DeepMD
-            <br><span class="text-large">部分适配</span></br>
-        </div>
-    </a>
-</div>
-
 --8<--
 ./README.md:support
 --8<--

docs/zh/development.md

@@ -291,7 +291,7 @@ equation = {..., "newpde": new_pde}
 
 ### 2.5 构建几何模块[可选]
 
-模型训练、验证时所用的输入、标签数据的来源，根据具体案例场景的不同而变化。大部分基于 PINN 的案例，其数据来自几何形状内部、表面采样得到的坐标点、法向量、SDF 值；而基于数据驱动的方法，其输入、标签数据大多数来自于外部文件，或通过 numpy 等第三方库构造的存放在内存中的数据。本章节主要对第一种情况所需的几何模块进行介绍，第二种情况则不一定需要几何模块，其构造方式可以参考 [#2.6 构建约束条件](#2.6)。
+模型训练、验证时所用的输入、标签数据的来源，根据具体案例场景的不同而变化。大部分基于 PINN 的案例，其数据来自几何形状内部、表面采样得到的坐标点、法向量、SDF 值；而基于数据驱动的方法，其输入、标签数据大多数来自于外部文件，或通过 numpy 等第三方库构造的存放在内存中的数据。本章节主要对第一种情况所需的几何模块进行介绍，第二种情况则不一定需要几何模块，其构造方式可以参考 [#2.6 构建约束条件](#26)。
 
 #### 2.5.1 构建已有几何
 

docs/zh/examples/deephpms.md

@@ -323,7 +323,7 @@ examples/deephpms/burgers.py:187:196
 --8<--
 ```
 
-各个参数含义与 [第一阶段约束构建](#361) 一致，唯一的区别是这个约束中的第二个参数，损失函数，采用 PaddleScience 预留的自定义 loss 函数类 `FunctionalLoss`，该类支持编写代码时自定义 loss 的计算方法，而不是使用诸如 `MSE` 等现有方法。本约束中的自定义 loss 函数代码请参考 [自定义 loss 和 metric](#38)。
+各个参数含义与 [第一阶段约束构建](#361) 一致，唯一的区别是这个约束中的第二个参数，损失函数，采用 PaddleScience 预留的自定义 loss 函数类 `FunctionalLoss`，该类支持编写代码时自定义 loss 的计算方法，而不是使用诸如 `MSE` 等现有方法。本约束中的自定义 loss 函数代码请参考 [自定义 loss 和 metric](#38-loss-metric)。
 
 在约束构建完毕之后，以我们刚才的命名为关键字，封装到一个字典中，方便后续访问。
 
@@ -355,7 +355,7 @@ examples/deephpms/burgers.py:148:155
 
 #### 3.7.2 第二阶段评估器构建
 
-评价指标 `metric` 为 `FunctionalMetric`，这是 PaddleScience 预留的自定义 metric 函数类，该类支持编写代码时自定义 metric 的计算方法，而不是使用诸如 `MSE`、 `L2` 等现有方法。自定义 metric 函数代码请参考下一部分 [自定义 loss 和 metric](#38)。
+评价指标 `metric` 为 `FunctionalMetric`，这是 PaddleScience 预留的自定义 metric 函数类，该类支持编写代码时自定义 metric 的计算方法，而不是使用诸如 `MSE`、 `L2` 等现有方法。自定义 metric 函数代码请参考下一部分 [自定义 loss 和 metric](#38-loss-metric)。
 
 ``` py linenums="209"
 --8<--

docs/zh/examples/hpinns.md

@@ -240,7 +240,7 @@ examples/hpinns/holography.py:66:127
 4. `label_keys`： 标签变量名；
 5. `alias_dict`： 变量别名。
 
-第二个参数是损失函数，此处的 `FunctionalLoss` 为 PaddleScience 预留的自定义 loss 函数类，该类支持编写代码时自定义 loss 的计算方法，而不是使用诸如 `MSE` 等现有方法，本问题中由于存在多个 loss 项，因此需要定义多个 loss 计算函数，这也是需要构建多个约束的原因。自定义 loss 函数代码请参考 [自定义 loss 和 metric](#38)。
+第二个参数是损失函数，此处的 `FunctionalLoss` 为 PaddleScience 预留的自定义 loss 函数类，该类支持编写代码时自定义 loss 的计算方法，而不是使用诸如 `MSE` 等现有方法，本问题中由于存在多个 loss 项，因此需要定义多个 loss 计算函数，这也是需要构建多个约束的原因。自定义 loss 函数代码请参考 [自定义 loss 和 metric](#38-loss-metric)。
 
 第三个参数是方程表达式，用于描述如何计算约束目标，此处填入 `output_expr`，计算后的值将会按照指定名称存入输出列表中，从而保证 loss 计算时可以使用这些值。
 
@@ -264,7 +264,7 @@ examples/hpinns/holography.py:133:181
 --8<--
 ```
 
-评价指标 `metric` 为 `FunctionalMetric`，这是 PaddleScience 预留的自定义 metric 函数类，该类支持编写代码时自定义 metric 的计算方法，而不是使用诸如 `MSE`、 `L2` 等现有方法。自定义 metric 函数代码请参考下一部分 [自定义 loss 和 metric](#38)。
+评价指标 `metric` 为 `FunctionalMetric`，这是 PaddleScience 预留的自定义 metric 函数类，该类支持编写代码时自定义 metric 的计算方法，而不是使用诸如 `MSE`、 `L2` 等现有方法。自定义 metric 函数代码请参考下一部分 [自定义 loss 和 metric](#38-loss-metric)。
 
 其余配置与 [约束构建](#36) 的设置类似。
 

docs/zh/examples/tempoGAN.md

@@ -191,7 +191,7 @@ examples/tempoGAN/tempoGAN.py:98:127
 1. `name`： 数据集类型，此处 `NamedArrayDataset` 表示从 Array 中读取的 `.mat` 类型的数据集；
 2. `input`： Array 类型的输入数据；
 3. `label`： Array 类型的标签数据；
-4. `transforms`： 所有数据 transform 方法，此处 `FunctionalTransform` 为PaddleScience 预留的自定义数据 transform 类，该类支持编写代码时自定义输入数据的 transform，具体代码请参考 [自定义 loss 和 data transform](#38)；
+4. `transforms`： 所有数据 transform 方法，此处 `FunctionalTransform` 为PaddleScience 预留的自定义数据 transform 类，该类支持编写代码时自定义输入数据的 transform，具体代码请参考 [自定义 loss 和 data transform](#38-loss-data-transform)；
 
 `batch_size` 字段表示 batch的大小；
 
@@ -201,7 +201,7 @@ examples/tempoGAN/tempoGAN.py:98:127
 2. `drop_last`： 是否需要丢弃最后无法凑整一个 mini-batch 的样本，默认值为 False；
 3. `shuffle`： 是否需要在生成样本下标时打乱顺序，默认值为 False；
 
-第二个参数是损失函数，此处的 `FunctionalLoss` 为 PaddleScience 预留的自定义 loss 函数类，该类支持编写代码时自定义 loss 的计算方法，而不是使用诸如 `MSE` 等现有方法，具体代码请参考 [自定义 loss 和 data transform](#38)。
+第二个参数是损失函数，此处的 `FunctionalLoss` 为 PaddleScience 预留的自定义 loss 函数类，该类支持编写代码时自定义 loss 的计算方法，而不是使用诸如 `MSE` 等现有方法，具体代码请参考 [自定义 loss 和 data transform](#38-loss-data-transform)。
 
 第三个参数是约束条件的 `output_expr`，如上所述，是为了让程序可以将输入数据作为 `label`。
 

docs/zh/examples/topopt.md

@@ -190,7 +190,7 @@ examples/topopt/topopt.py:50:75
 
 读取配置中 `"batch_size"` 字段表示训练时指定的批大小，`"sampler"` 字段表示 dataloader 的相关采样配置。
 
-第二个参数是损失函数，这里使用[自定义损失](#381)，通过 `cfg.vol_coeff` 确定损失公式中 $\beta$ 对应的值。
+第二个参数是损失函数，这里使用[自定义损失](#381-loss)，通过 `cfg.vol_coeff` 确定损失公式中 $\beta$ 对应的值。
 
 第三个参数是约束条件的名字，方便后续对其索引。此次命名为 `"sup_constraint"`。