ordinary-differential-equations

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 Python pour l'arithmétique en virgule flottante à précision arbitraire.

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 numérique Rust aux hautes performances et à la syntaxe conviviale

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