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)

PDEBench: Um benchmark abrangente para aprendizado de máquina científico.

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.

Regressão simbólica distribuída de alto desempenho em Julia

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.