SciML

Suite multi-langage pour des solveurs haute performance d'équations différentielles et de composants d'apprentissage automatique scientifique (SciML). Équations différentielles ordinaires (ODE), stochastiques (SDE), à retard (DDE), algébriques (DAE), et plus encore en Julia.

Calcul parallèle et apprentissage automatique scientifique (SciML) : méthodes et applications (MIT 18.337J/6.338J)

Un framework de modélisation acausale pour le machine learning scientifique (SciML) parallélisé automatiquement en Julia. Un système de calcul formel pour l'intégration symbolique appliquée au machine learning informé par la physique et aux transformations automatisées d'équations différentielles

Solveurs de réseaux de neurones informés par la physique (PINN) pour les équations différentielles (partielles) destinés à la simulation accélérée par l'apprentissage automatique scientifique (SciML).

Architectures de couches implicites pré-construites avec rétropropagation en O(1), GPU et solveurs d'équations différentielles rigides et non rigides, illustrant le machine learning scientifique (SciML) et les méthodes de machine learning informées par la physique

Optimisation mathématique en Julia. Locale, globale, basée sur le gradient et sans dérivée. Optimisation linéaire, quadratique, convexe, en nombres entiers mixtes et non linéaire dans une interface simple, rapide et différentiable.

Solveurs haute performance pour équations différentielles ordinaires (ODE) et équations algébro-différentielles (DAE), incluant les équations différentielles neuronales (neural ODEs) et l'apprentissage automatique scientifique (SciML).

Résolution d'équations différentielles en Python en utilisant DifferentialEquations.jl et l'organisation SciML Scientific Machine Learning

Interface de réseaux de réactions chimiques et de biologie des systèmes pour le machine learning scientifique (SciML). Logiciel open source haute performance, parallélisé sur GPU et doté de solveurs en O(1).