ode

Code source pour le livre de recettes sur l'apprentissage automatique avec TensorFlow.

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.

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

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

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).

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

Convertit des objets julia en équations, tableaux ou autres environnements LaTeX.

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).