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)

PDEBench: Un benchmark extenso para el aprendizaje automático científico.

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.

Regresión simbólica distribuida de alto rendimiento en Julia

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).