SciML

Suite multilingüe para solucionadores de alto rendimiento de ecuaciones diferenciales y componentes de aprendizaje automático científico (SciML). Ecuaciones diferenciales ordinarias (ODEs), ecuaciones diferenciales estocásticas (SDEs), ecuaciones diferenciales con retraso (DDEs), ecuaciones diferenciales-algebraicas (DAEs) y más en Julia.

Computación paralela y aprendizaje automático científico (SciML): Métodos y aplicaciones (MIT 18.337J/6.338J)

Un marco de modelado acausal para el aprendizaje automático científico (SciML) paralelizado automáticamente en Julia. Un sistema de álgebra computacional para simbólicos integrados destinados al aprendizaje automático informado por la física y transformaciones automatizadas de ecuaciones diferenciales.

Solucionadores de redes neuronales informadas por la física (PINN) para ecuaciones diferenciales (parciales) para simulación acelerada de aprendizaje automático científico (SciML)

Arquitecturas de capas implícitas preconstruidas con retropropagación O(1), soporte para GPU y solucionadores de ecuaciones diferenciales rígidas y no rígidas, que demuestran métodos de aprendizaje automático científico (SciML) y aprendizaje automático informado por la física

Optimización matemática en Julia. Local, global, basada en gradiente y libre de derivadas. Optimización lineal, cuadrática, convexa, de enteros mixtos y no lineal en una interfaz simple, rápida y diferenciable.

Solucionadores de alto rendimiento para ecuaciones diferenciales ordinarias (ODE) y ecuaciones algebraicas diferenciales (DAE), incluyendo ecuaciones diferenciales ordinarias neuronales (neural ODEs) y aprendizaje automático científico (SciML).

Resolución de ecuaciones diferenciales en Python utilizando DifferentialEquations.jl y la organización SciML Scientific Machine Learning.

Interfaz de redes de reacciones químicas y biología de sistemas para aprendizaje automático científico (SciML). Software de código abierto de alto rendimiento, paralelizado en GPU y con solucionadores O(1).