differential-equations

微分方程式および科学的機械学習（SciML）コンポーネント向けの高性能ソルバー用多言語スイート。常微分方程式（ODE）、確率微分方程式（SDE）、遅れ微分方程式（DDE）、微分代数方程式（DAE）などを Julia で実装。

JAX による常微分方程式ソルバー。自動微分および GPU に対応。https://docs.kidger.site/diffrax/

並列計算と科学的機械学習 (SciML): 手法と応用 (MIT 18.337J/6.338J)

線形代数、固有値、FFT、ベッセル関数、楕円関数、直交多項式、幾何学、NURBS、数値求積、3D 超限補間、乱数、メルセンヌ・ツイスタ、確率分布、最適化、微分方程式

Julia における自動並列化された科学的機械学習（SciML）のための非因果的モデリングフレームワーク。物理情報機械学習のための統合記号処理や微分方程式の自動変換を行う数式処理システム

Brian は、スパイキングニューラルネットワーク用の無料でオープンソースのシミュレータです。

科学的機械学習（SciML）向けの高速シミュレーション（偏）微分方程式の物理情報ニューラルネットワーク（PINN）ソルバー

O(1) の逆伝播、GPU、および剛性・非剛性 DE ソルバーを備えた事前構築済みの暗黙的レイヤーアーキテクチャ。科学的機械学習 (SciML) および物理情報機械学習の手法を示す

PyTorch をベースにしたニューラルネットワークによる微分方程式の解法ライブラリ。Harvard IACS をはじめ、世界中の複数の研究グループで使用されています。

高度なモデリングのための物理情報ニューラルネットワーク

ニューラル常微分方程式（neural ODEs）や科学的機械学習（SciML）を含む、高性能な常微分方程式（ODE）および微分代数方程式（DAE）ソルバー

DifferentialEquations.jlとSciML Scientific Machine Learning組織を使用した、Pythonでの微分方程式の解法

有限基底物理情報ニューラルネットワーク（FBPINN）を使用した偏微分方程式に関連する順問題および逆問題の解決

科学的機械学習（SciML）向けの化学反応ネットワークおよびシステム生物学インターフェース。オープンソースソフトウェアによる高性能、GPU並列化、O(1)ソルバーを提供