#scientific-machine-learning Repositories
Entdecke 23 aktive Open-Source-GitHub-Repositories, die mit #scientific-machine-learning getaggt sind und insgesamt 51,807 Sterne gesammelt haben (durchschnittlich 2,252 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist KindXiaoming/pykan mit 16,291 Sternen.
Insgesamt 23 Repositories
Physik-informiertes Deep Learning: Datengetriebene Lösungen und Entdeckung nichtlinearer partieller Differentialgleichungen
Eine Bibliothek für wissenschaftliches Machine Learning und physik-informiertes Lernen
Mehrsprachiges Suite für Hochleistungs-Solver von Differentialgleichungen und Komponenten des wissenschaftlichen Machine Learnings (SciML). Gewöhnliche Differentialgleichungen (ODEs), stochastische Differentialgleichungen (SDEs), Verzögerungsdifferentialgleichungen (DDEs), differential-algebraische Gleichungen (DAEs) und mehr in Julia.
Parallel Computing und wissenschaftliches maschinelles Lernen (SciML): Methoden und Anwendungen (MIT 18.337J/6.338J)
Ein acausales Modellierungs-Framework für automatisch parallelisiertes wissenschaftliches Machine Learning (SciML) in Julia. Ein Computersymbolsystem für integrierte Symbolik für physikinformiertes Machine Learning und automatisierte Transformationen von Differentialgleichungen
Physics-Informed Neural Networks (PINN) Löser für (Partielle) Differentialgleichungen für beschleunigte Simulation im wissenschaftlichen Machine Learning (SciML)
Vorgebaute implizite Schichtarchitekturen mit O(1)-Backprop, GPUs und steifen+unstarken DE-Lösern, die wissenschaftliches maschinelles Lernen (SciML) und physik-informiertes maschinelles Lernen demonstrieren
Eine Implementierung des Fermionic Neural Network für ab-initio elektronische Struktur-Berechnungen
Mathematische Optimierung in Julia. Lokal, global, gradientenbasiert und ableitungsfrei. Lineare, quadratische, konvexe, gemischt-ganzzahlige und nichtlineare Optimierung in einer einfachen, schnellen und differenzierbaren Schnittstelle.
Robuste Darstellung semantisch eingeschränkter Graphen, insbesondere für Moleküle in der Chemie
Tutorials zum wissenschaftlichen Machine Learning (SciML) und zur hochperformanten Lösung von Differentialgleichungen mit Open-Source-Software.
🏆 Eine Rangliste großartiger atomistischer Machine-Learning-Projekte ⚛️🧬💎.
Hochleistungs-Löser für gewöhnliche Differentialgleichungen (ODE) und differential-algebraische Gleichungssysteme (DAE), einschließlich neuronaler gewöhnlicher Differentialgleichungen (neural ODEs) und wissenschaftliches Machine Learning (SciML)
Differentialgleichungen in Python mit DifferentialEquations.jl und der SciML Scientific Machine Learning Organisation lösen
Schnittstelle für chemische Reaktionsnetzwerke und Systembiologie für wissenschaftliches maschinelles Lernen (SciML). Hochleistungsfähige, GPU-parallelisierte und O(1)-Solver in Open-Source-Software.
Häufig gestellte Fragen
Welches ist das beliebteste #scientific-machine-learning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#scientific-machine-learning-Projekt auf GitHub ist KindXiaoming/pykan mit 16,291 Sternen. Kolmogorov Arnold Netzwerke
Welche Programmiersprachen werden in #scientific-machine-learning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #scientific-machine-learning-Projekten auf GitHub sind Python, Julia, Jupyter Notebook, HTML die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #scientific-machine-learning-Repositories berechnet?
Wir verfolgen 23 aktive Open-Source-Repositories, die mit #scientific-machine-learning getaggt sind (500+ Sterne), mit insgesamt 51,807 Sternen und durchschnittlich 2,252 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.