SciML

多语言套件，用于高性能微分方程求解器和科学机器学习（SciML）组件。支持常微分方程（ODE）、随机微分方程（SDE）、延迟微分方程（DDE）、微分代数方程（DAE）等，均在 Julia 中实现

平行計算與科學機器學習 (SciML)：方法與應用 (MIT 18.337J/6.338J)

一个用于 Julia 中自动并行化科学机器学习 (SciML) 的因果建模框架。用于集成符号学的计算机代数系统，支持物理信息机器学习与微分方程的自动转换

用于科学机器学习（SciML）加速模拟的（偏）微分方程物理信息神经网络（PINN）求解器

预先构建的隐式层架构，具有 O(1) 反向传播、GPU 以及刚性与非刚性 DE 求解器，展示了科学机器学习 (SciML) 与物理信息机器学习方法

Julia 中的数学最优化。包含局部、全局、基于梯度与无导数。线性、二次、凸、混合整数与非线性最优化，整合于单一简单、快速且可微分的接口中。

高性能常微分方程 (ODE) 与微分代数方程 (DAE) 求解器，包含神经常微分方程 (neural ODEs) 与科学机器学习 (SciML)

使用 DifferentialEquations.jl 与 SciML 科学机器学习组织在 Python 中求解微分方程

用于科学机器学习 (SciML) 的化学反应网络与系统生物学接口。高性能、GPU 并行化且具备 O(1) 求解器的开源软件。