sciml

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.

Điện toán song song và Học máy khoa học (SciML): Phương pháp và Ứng dụng (MIT 18.337J/6.338J)

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 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)

PDEBench: Một bộ chuẩn đánh giá toàn diện cho học máy khoa học

Tối ưu hóa toán học trong Julia. Hỗ trợ cục bộ, toàn cục, dựa trên gradient và không đạo hàm. Tối ưu hóa tuyến tính, bậc hai, lồi, hỗn hợp số nguyên và phi tuyến trong một giao diện đơn giản, nhanh chóng và có thể lấy đạo hàm.

Hồi quy biểu tượng hiệu năng cao phân tán trong Julia

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

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.