SciML

Mehrsprachige Suite für Hochleistungs-Solver für Differentialgleichungen und Komponenten des wissenschaftlichen maschinellen Lernens (SciML). Gewöhnliche Differentialgleichungen (ODEs), stochastische Differentialgleichungen (SDEs), Differentialgleichungen mit nacheilendem Argument (DDEs), differential-algebraische Gleichungen (DAEs) und mehr in Julia.

Parallele Computing und Scientific Machine Learning (SciML): Methoden und Anwendungen (MIT 18.337J/6.338J)

Ein kausales Modellierungsframework für automatisch parallelisiertes wissenschaftliches maschinelles Lernen (SciML) in Julia. Ein Computeralgebrasystem für integrierte Symbolik für physik-informiertes maschinelles Lernen und automatisierte Transformationen von Differentialgleichungen

Physics-Informed Neural Networks (PINN)-Solver für (partielle) Differentialgleichungen zur beschleunigten Simulation im Bereich Scientific Machine Learning (SciML)

Vorgefertigte Architekturen impliziter Schichten mit O(1)-Backprop, GPUs und steifen sowie nicht-steifen DE-Solvern, die wissenschaftliches maschinelles Lernen (SciML) und physik-informierte Methoden des maschinellen Lernens demonstrieren

Mathematische Optimierung in Julia. Lokal, global, gradientenbasiert und ableitungsfrei. Lineare, quadratische, konvexe, gemischt-ganzzahlige und nichtlineare Optimierung in einer einfachen, schnellen und differenzierbaren Schnittstelle.

Leistungsstarke Solver für gewöhnliche Differentialgleichungen (ODE) und differential-algebraische Gleichungen (DAE), einschließlich neuronaler gewöhnlicher Differentialgleichungen (Neural ODEs) und wissenschaftlichem maschinellem Lernen (SciML).

Lösen von Differentialgleichungen in Python unter Verwendung von DifferentialEquations.jl und der SciML Scientific Machine Learning Organisation.

Schnittstelle für chemische Reaktionsnetzwerke und Systembiologie für wissenschaftliches maschinelles Lernen (SciML). Hochleistungsfähig, GPU-parallelisiert und mit O(1)-Solvern in Open-Source-Software.