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 中的數值微分方程式求解器。支援自動微分與 GPU運算。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)

線性代數、特徵值、FFT、貝索函數、橢圓函數、正交多項式、幾何、NURBS、數值積分、三維超限插值、亂數、梅森旋轉演算法、機率分佈、最佳化、微分方程。

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

Brian 是一個免費、開源的脈衝神經網路模擬器。

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

一個基於 PyTorch 使用神經網路求解微分方程式的庫，被包括哈佛大學 IACS 在內的全球多個研究小組使用。

用於先進建模的物理資訊神經網路

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

使用基於物理資訊的神經網路 (FBPINNs) 求解與偏微分方程相關的正向與反向問題

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。