ode

Code für das Tensorflow Machine Learning Cookbook

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.

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

Eine Sammlung von Ressourcen zum Zusammenspiel von Differentialgleichungen, Deep Learning, dynamischen Systemen, Regelungstechnik und numerischen Methoden.

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

Physik-informierte neuronale Netze für fortgeschrittene Modellierung

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.

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.

Konvertierung von Julia-Objekten in LaTeX-Gleichungen, Arrays oder andere Umgebungen.

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