#differential-equations Dépôts
Découvrez 19 dépôts GitHub open source actifs associés à #differential-equations, cumulant 22,722 étoiles au total (soit une moyenne de 1,195 étoiles par projet). Le projet en tête de ce thème est SciML/DifferentialEquations.jl, avec 3,183 étoiles.
19 dépôts au total
Suite multilingue pour des solveurs haute performance d'équations différentielles et de composants d'apprentissage automatique scientifique (SciML). Équations différentielles ordinaires (ODEs), équations différentielles stochastiques (SDEs), équations différentielles avec retard (DDEs), équations différentielles-algébriques (DAEs), et plus en Julia.
Solveurs numériques d'équations différentielles en JAX. Autodifférentiables et compatibles GPU. https://docs.kidger.site/diffrax/
Calcul parallèle et apprentissage automatique scientifique (SciML) : Méthodes et applications (MIT 18.337J/6.338J)
Algèbre linéaire, valeurs propres, FFT, Bessel, elliptique, polynômes orthogonaux, géométrie, NURBS, quadrature numérique, interpolation transfinie 3D, nombres aléatoires, Mersenne twister, distributions de probabilité, optimisation, équations différentielles.
Un cadre de modélisation acausale pour l'apprentissage automatique scientifique (SciML) parallélisé automatiquement en Julia. Un système d'algèbre informatique pour la symbolique intégrée pour l'apprentissage automatique informé par la physique et les transformations automatiques des équations différentielles
Solveurs de SDE différentiables avec prise en charge GPU et analyse de sensibilité efficace.
Brian est un simulateur gratuit et open source pour les réseaux de neurones à impulsions.
Solveurs de Réseaux de Neurones Informés par la Physique (PINN) d'Équations aux (Dérivées) Partielles pour Simulation Accélérée de l'Apprentissage Automatique Scientifique (SciML)
Architectures de couches implicites pré-construites avec backprop O(1), GPUs et solveurs DE raides+non raides, démontrant l'apprentissage automatique scientifique (SciML) et les méthodes d'apprentissage automatique informées par la physique
Une bibliothèque pour résoudre des équations différentielles en utilisant des réseaux de neurones basés sur PyTorch, utilisée par plusieurs groupes de recherche dans le monde entier, y compris à Harvard IACS.
Tutoriels pour le machine learning scientifique (SciML) et la résolution d'équations différentielles haute performance avec des logiciels open source.
Solveurs haute performance pour équations différentielles ordinaires (ODE) et équations différentielles-algébriques (DAE), incluant les équations différentielles ordinaires neuronales (neural ODEs) et l'apprentissage automatique scientifique (SciML)
Cours intensif MIT IAP : Calcul matriciel pour l'apprentissage automatique et au-delà
Résolution d'équations différentielles en Python en utilisant DifferentialEquations.jl et l'organisation SciML Scientific Machine Learning
Résoudre des problèmes directs et inverses liés aux équations aux dérivées partielles à l'aide de réseaux neuronaux informés par la physique à base finie (FBPINNs)
Interface de réseau de réactions chimiques et de biologie des systèmes pour l'apprentissage automatique scientifique (SciML). Solveurs haute performance, parallélisés sur GPU et en O(1) dans les logiciels open source.
Foire aux questions
Quel est le dépôt #differential-equations le plus populaire sur GitHub ?
Le projet #differential-equations open source le mieux classé sur GitHub est SciML/DifferentialEquations.jl, avec 3,183 étoiles. Suite multilingue pour des solveurs haute performance d'équations différentielles et de composants d'apprentissage automatique scientifique (SciML). Équations différentielles ordinaires (ODEs), équations différentielles stochastiques (SDEs), équations différentielles avec retard (DDEs), équations différentielles-algébriques (DAEs), et plus en Julia.
Quels langages de programmation sont les plus utilisés dans les dépôts #differential-equations ?
Parmi les projets #differential-equations les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Julia, HTML, Go.
Comment le classement des dépôts #differential-equations est-il calculé ?
Nous suivons 19 dépôts open source actifs associés à #differential-equations (500+ étoiles), totalisant 22,722 étoiles, avec une moyenne de 1,195 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.