differential-equations

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.

Solucionadores de equações diferenciais numéricas em JAX. Autodiferenciável e compatível com GPU. https://docs.kidger.site/diffrax/

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

Álgebra linear, autovalores, FFT, Bessel, elípticas, polinômios ortogonais, geometria, NURBS, quadratura numérica, interpolação transfinita 3D, números aleatórios, Mersenne twister, distribuições de probabilidade, otimização, equações diferenciais.

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.

Brian é um simulador gratuito e de código aberto para redes neurais de disparos (spiking neural networks).

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

Uma biblioteca baseada em PyTorch para resolver equações diferenciais usando redes neurais, utilizada por vários grupos de pesquisa ao redor do mundo, incluindo no Harvard IACS.

Redes neurais informadas pela física para modelagem avançada.

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

Resolva problemas diretos e inversos relacionados a equações diferenciais parciais usando redes neurais informadas pela física de base finita (FBPINNs).

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.