ode

Código para Tensorflow Machine Learning Cookbook

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.

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.

Una colección de recursos sobre la interacción entre ecuaciones diferenciales, aprendizaje profundo, sistemas dinámicos, control y métodos numéricos.

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

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.

Convierte objetos de Julia en ecuaciones, matrices u otros entornos de LaTeX.

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).