differential-equations

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.

Solucionadores numéricos de ecuaciones diferenciales en JAX. Autodiferenciable y compatible con GPU. https://docs.kidger.site/diffrax/

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

Álgebra lineal, valores propios, FFT, Bessel, elípticas, polinomios ortogonales, geometría, NURBS, cuadratura numérica, interpolación transfinita 3D, números aleatorios, Mersenne twister, distribuciones de probabilidad, optimización y ecuaciones diferenciales.

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.

Brian es un simulador gratuito y de código abierto para redes neuronales de picos.

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

Una biblioteca para resolver ecuaciones diferenciales mediante redes neuronales basada en PyTorch, utilizada por múltiples grupos de investigación en todo el mundo, incluido el IACS de Harvard.

Redes neuronales informadas por la física (PINN) para modelado avanzado.

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.

Resolución de problemas directos e inversos relacionados con ecuaciones diferenciales parciales mediante redes neuronales informadas por la física de base finita (FBPINNs)

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).