ode

Código para o Tensorflow Machine Learning Cookbook

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.

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.

Uma coleção de recursos sobre a interação entre equações diferenciais, aprendizado profundo, sistemas dinâmicos, controle e métodos numéricos.

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

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

Converta objetos julia em equações LaTeX, matrizes ou outros ambientes.

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.