SciML

Suíte multilíngue para resolvedores de alto desempenho de equações diferenciais e componentes de aprendizado de máquina científico (SciML). Equações diferenciais ordinárias (ODEs), estocásticas (SDEs), com atraso (DDEs), algébricas diferenciais (DAEs) e mais em Julia.

Computação Paralela e Machine Learning Científico (SciML): Métodos e Aplicações (MIT 18.337J/6.338J)

Uma estrutura de modelagem acausal para aprendizado de máquina científico (SciML) automaticamente paralelizado em Julia. Um sistema de álgebra computacional para simbologia integrada voltada ao aprendizado de máquina informado pela física e transformações automatizadas de equações diferenciais.

Simulação acelerada por Redes Neurais Informadas por Física (PINN) para Solucionadores de Equações Diferenciais (Parciais) para Aprendizado de Máquina Científico (SciML)

Arquiteturas de camada implícita pré-construídas com retropropagação O(1), GPUs e solucionadores de ED rígidas + não rígidas, demonstrando aprendizado de máquina científico (SciML) e métodos de aprendizado de máquina informados pela física

Otimização matemática em Julia. Local, global, baseada em gradiente e livre de derivadas. Otimização linear, quadrática, convexa, de inteiros mistos e não linear em uma interface simples, rápida e diferenciável.

Solucionadores de alto desempenho para equações diferenciais ordinárias (ODE) e equações diferenciais algébricas (DAE), incluindo equações diferenciais ordinárias neurais (neural ODEs) e aprendizado de máquina científico (SciML)

Resolvendo equações diferenciais em Python usando DifferentialEquations.jl e a organização de aprendizado de máquina científico SciML

Interface de rede de reações químicas e biologia de sistemas para aprendizado de máquina científico (SciML). Solucionadores de alto desempenho, paralelizados em GPU e O(1) em software de código aberto.