differential-equations

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.

Solveurs d'équations différentielles numériques en JAX. Différentiables automatiquement et compatibles GPU.

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

Algèbre linéaire, valeurs propres, FFT, Bessel, elliptique, polynômes orthogonaux, géométrie, NURBS, quadrature numérique, interpolation transfinie 3D, nombres aléatoires, Mersenne twister, distributions de probabilité, optimisation, équations différentielles.

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

Brian est un simulateur open source gratuit pour les réseaux de neurones impulsionnels.

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

Bibliothèque de résolution d'équations différentielles par réseaux de neurones basée sur PyTorch, utilisée par plusieurs groupes de recherche internationaux, dont Harvard IACS.

Réseaux de neurones informés par la physique pour la modélisation avancée

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

Résoudre des problèmes directs et inverses liés aux équations aux dérivées partielles à l'aide de réseaux de neurones informés par la physique à base finie (FBPINNs)

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).