differential-equations

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.

Numerische Löser für Differentialgleichungen in JAX. Automatisch differenzierbar und GPU-fähig. https://docs.kidger.site/diffrax/

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

Lineare Algebra, Eigenwerte, FFT, Bessel-, elliptische und orthogonale Polynome, Geometrie, NURBS, numerische Quadratur, transfinite 3D-Interpolation, Zufallszahlen, Mersenne-Twister, Wahrscheinlichkeitsverteilungen, Optimierung, Differentialgleichungen.

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

Brian ist ein kostenloser Open-Source-Simulator für spiking neuronale Netze.

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

Eine Bibliothek zum Lösen von Differentialgleichungen mithilfe neuronaler Netze auf Basis von PyTorch, die von mehreren Forschungsgruppen weltweit, darunter an der Harvard IACS, verwendet wird.

Physik-informierte neuronale Netze für fortgeschrittene Modellierung

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.

Lösung von Vorwärts- und Umkehrproblemen partieller Differentialgleichungen mittels physikinformierter neuronaler Netze auf Basis finiter Basen (FBPINNs)

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