ordinary-differential-equations

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)

Biblioteca de Python para aritmética de punto flotante de precisión arbitraria

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

Biblioteca numérica de Rust con alto rendimiento y sintaxis amigable.

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.