dynamical-systems

Une liste organisée de travaux remarquables sur la modélisation du monde, conçue comme une ressource unique pour les chercheurs, praticiens et passionnés.

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.

Un package pour l'identification creuse de systèmes dynamiques non linéaires à partir de données.

Une bibliothèque PyTorch entièrement dédiée aux équations différentielles neuronales, aux modèles implicites et aux méthodes numériques associées

Collection de ressources sur l'interaction entre équations différentielles, deep learning, systèmes dynamiques, contrôle et méthodes numériques.

Framework basé sur PyTorch pour résoudre des problèmes d'optimisation paramétrique sous contraintes, l'identification de systèmes informés par la physique et le contrôle prédictif de modèles paramétriques.

Résolution et estimation de modèles d'équilibre général dynamique stochastique (incluant le modèle DSGE de la Fed de New York)

Bibliothèque logicielle primée pour la dynamique non linéaire et l'analyse de séries temporelles non linéaires.

Une boîte à outils de systèmes de commande pour Julia

Un package Python pour l'identification de systèmes utilisant des modèles NARMAX.

Modèle inclusif de dynamique d'expression basé sur le marquage conventionnel ou métabolique pour le scRNA-seq / multi-omique, reconstruction de champs de vecteurs et analyses de géométrie différentielle.