differential-equations

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

JAX 中的数值微分方程求解器。支持自动微分与 GPU 运算。https://docs.kidger.site/diffrax/

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

线性代数、特征值、FFT、贝塞尔函数、椭圆函数、正交多项式、几何、NURBS、数值积分、三维超限插值、随机数、梅森旋转算法、概率分布、优化、微分方程。

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

Brian 是一个免费、开源的脉冲神经网络模拟器。

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

用于高级建模的物理信息神经网络

一个基于 PyTorch 使用神经网络求解微分方程的库，被包括哈佛大学 IACS 在内的全球多个研究小组使用。

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

使用基于物理信息神经网络 (FBPINNs) 求解与偏微分方程相关的正向与反向问题

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。