differential-equations

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.

Pemecah persamaan diferensial numerik di JAX. Mendukung autodifferentiable dan GPU. https://docs.kidger.site/diffrax/

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

Aljabar linear, nilai eigen, FFT, Bessel, eliptik, polinomial ortogonal, geometri, NURBS, kuadratur numerik, interpolasi transfinite 3D, angka acak, Mersenne twister, distribusi probabilitas, optimasi, dan persamaan diferensial.

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

Brian adalah simulator sumber terbuka gratis untuk spiking neural networks.

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

Sebuah library untuk menyelesaikan persamaan diferensial menggunakan neural network berbasis PyTorch, digunakan oleh berbagai grup riset di seluruh dunia, termasuk di Harvard IACS.

Neural Networks Berbasis Fisika untuk pemodelan tingkat lanjut

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

Menyelesaikan masalah maju dan mundur yang berkaitan dengan persamaan diferensial parsial menggunakan physics-informed neural networks berbasis basis berhingga (FBPINNs)

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.