SciML

Suite multi-bahasa untuk pemecah masalah berkinerja tinggi dalam persamaan diferensial dan komponen machine learning ilmiah (SciML). Persamaan diferensial biasa (ODE), persamaan diferensial stokastik (SDE), persamaan diferensial tunda (DDE), persamaan aljabar diferensial (DAE), dan lainnya dalam Julia.

Komputasi Paralel dan Machine Learning Ilmiah (SciML): Metode dan Aplikasi (MIT 18.337J/6.338J)

Kerangka kerja pemodelan akausal untuk pembelajaran mesin ilmiah (SciML) yang diparalelkan secara otomatis di Julia. Sistem aljabar komputer untuk simbolik terintegrasi untuk pembelajaran mesin berbasis fisika dan transformasi otomatis persamaan diferensial

Pemecah Persamaan Diferensial (Parsial) Berbasis Physics-Informed Neural Networks (PINN) untuk simulasi terakselerasi Scientific Machine Learning (SciML)

Arsitektur layer implisit pra-bangun dengan backprop O(1), GPU, dan pemecah DE kaku+tidak kaku, yang mendemonstrasikan pembelajaran mesin ilmiah (SciML) dan metode pembelajaran mesin berbasis fisika

Optimisasi Matematis dalam Julia. Lokal, global, berbasis gradien, dan bebas turunan. Optimisasi Linear, Kuadratik, Konveks, Mixed-Integer, dan Nonlinier dalam satu antarmuka yang sederhana, cepat, dan dapat diferensiasi.

Pemecah persamaan diferensial biasa (ODE) dan persamaan aljabar diferensial (DAE) berkinerja tinggi, termasuk neural ordinary differential equations (neural ODEs) dan scientific machine learning (SciML)

Menyelesaikan persamaan diferensial di Python menggunakan DifferentialEquations.jl dan organisasi SciML Scientific Machine Learning

Antarmuka jaringan reaksi kimia dan biologi sistem untuk pembelajaran mesin ilmiah (SciML). Performa tinggi, diparalelkan GPU, dan solver O(1) dalam perangkat lunak sumber terbuka.