ordinary-differential-equations

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)

Biblioteca Python para aritmética de ponto flutuante de precisão arbitrário

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

Biblioteca numérica em Rust com alto desempenho e sintaxe amigável

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