ode

Mã nguồn cho Tensorflow Machine Learning Cookbook

Bộ công cụ đa ngôn ngữ cho các trình giải hiệu suất cao về phương trình vi phân và các thành phần học máy khoa học (SciML). Phương trình vi phân thường (ODE), phương trình vi phân ngẫu nhiên (SDE), phương trình vi phân có độ trễ (DDE), phương trình đại số vi phân (DAE), và nhiều hơn thế nữa trong Julia.

Một framework mô hình hóa phi nhân quả dành cho máy học khoa học (SciML) tự động song song hóa trong Julia. Một hệ thống đại số máy tính dành cho các biểu tượng tích hợp cho máy học dựa trên vật lý và chuyển đổi tự động các phương trình vi phân

Bộ sưu tập tài nguyên về sự tương tác giữa phương trình vi phân, deep learning, hệ thống động lực, điều khiển và phương pháp số.

Bộ giải phương trình vi phân (một phần) bằng Mạng thần kinh thông báo vật lý (PINN) cho mô phỏng tăng tốc học máy khoa học (SciML)

Thư viện giải phương trình vi phân sử dụng mạng thần kinh dựa trên PyTorch, được sử dụng bởi nhiều nhóm nghiên cứu trên thế giới, bao gồm cả tại Harvard IACS.

Mạng thần kinh dựa trên vật lý cho mô hình hóa nâng cao

Bộ giải phương trình vi phân thường (ODE) và phương trình đại số vi phân (DAE) hiệu năng cao, bao gồm phương trình vi phân thường thần kinh (neural ODEs) và học máy khoa học (SciML)

Giải phương trình vi phân trong Python sử dụng DifferentialEquations.jl và tổ chức SciML Scientific Machine Learning

Chuyển đổi các đối tượng julia sang phương trình, mảng hoặc các môi trường LaTeX khác.

Giao diện mạng phản ứng hóa học và sinh học hệ thống cho học máy khoa học (SciML). Hiệu suất cao, song song hóa GPU và các bộ giải O(1) trong phần mềm mã nguồn mở.