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)

一個用於 Julia 中自動化平行科學機器學習 (SciML) 的因果建模框架。結合符號學的計算機代數系統，用於物理資訊機器學習與微分方程的自動轉換

用於科學機器學習（SciML）加速模擬的（偏）微分方程式物理資訊神經網路（PINN）求解器

預先建構的隱式層架構，具有 O(1) 反向傳播、GPU 以及剛性與非剛性 DE 求解器，展示了科學機器學習 (SciML) 與物理資訊機器學習方法

Julia 中的數學最佳化。包含局部、全域、基於梯度與無導數。線性、二次、凸、混合整數與非線性最佳化，整合於單一簡單、快速且可微分的介面中。

高效能常微分方程式 (ODE) 與微分代數方程式 (DAE) 求解器，包含神經常微分方程式 (neural ODEs) 與科學機器學習 (SciML)

使用 DifferentialEquations.jl 與 SciML 科學機器學習組織在 Python 中求解微分方程

用於科學機器學習 (SciML) 的化學反應網路與系統生物學介面。高效能、GPU 平行化且具備 O(1) 求解器的開源軟體。