partial-differential-equations

Collection de notebooks sur la finance quantitative, avec du code Python interactif.

Apprentissage en dimension infinie avec des opérateurs neuronaux.

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).

PDEBench : un benchmark complet pour l'apprentissage automatique scientifique

Environnement de résolution de problèmes FEniCS de nouvelle génération pour les éléments finis.

Code source de FreeFEM

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

Approximation basée sur une grille des équations aux dérivées partielles en Julia.

Simulation et estimation de paramètres en géophysique - Un paquet Python pour la simulation et l'estimation de paramètres basée sur le gradient dans le contexte des applications géophysiques

FiPy est un solveur d'équations aux dérivées partielles (EDP) par volumes finis écrit en Python

Package Julia pour l'approximation de fonctions

Package Python pour les dérivées numériques et les équations aux dérivées partielles dans un nombre quelconque de dimensions.