ode

Kode untuk Tensorflow Machine Learning Cookbook

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.

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

Kumpulan sumber daya mengenai interaksi antara persamaan diferensial, deep learning, sistem dinamis, kontrol, dan metode numerik.

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

Neural Networks Berbasis Fisika untuk pemodelan tingkat lanjut

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

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

Mengonversi objek Julia menjadi persamaan, array, atau lingkungan LaTeX lainnya.

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.