#scientific-machine-learning Dépôts
Découvrez 23 dépôts GitHub open source actifs associés à #scientific-machine-learning, cumulant 51,807 étoiles au total (soit une moyenne de 2,252 étoiles par projet). Le projet en tête de ce thème est KindXiaoming/pykan, avec 16,291 étoiles.
23 dépôts au total
Apprentissage Profond Informé par la Physique : Solutions Pilotées par les Données et Découverte d'Équations aux Dérivées Partielles Non Linéaires
Une bibliothèque pour l'apprentissage automatique scientifique et l'apprentissage informé par la physique
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.
Calcul parallèle et apprentissage automatique scientifique (SciML) : Méthodes et applications (MIT 18.337J/6.338J)
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 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 implémentation du réseau neuronal fermionique pour les calculs ab-initio de structure électronique
Optimisation mathématique en Julia. Locale, globale, basée sur le gradient et sans dérivée. Optimisation linéaire, quadratique, convexe, mixte en nombres entiers et non linéaire dans une interface simple, rapide et différentiable.
Représentation robuste de graphes contraints sémantiquement, en particulier pour les molécules en chimie
Tutoriels pour le machine learning scientifique (SciML) et la résolution d'équations différentielles haute performance avec des logiciels open source.
🏆 Une liste classée de projets impressionnants d'apprentissage automatique atomistique ⚛️🧬💎.
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)
Résolution d'équations différentielles en Python en utilisant DifferentialEquations.jl et l'organisation SciML Scientific Machine Learning
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 #scientific-machine-learning le plus populaire sur GitHub ?
Le projet #scientific-machine-learning open source le mieux classé sur GitHub est KindXiaoming/pykan, avec 16,291 étoiles. Réseaux de Kolmogorov Arnold
Quels langages de programmation sont les plus utilisés dans les dépôts #scientific-machine-learning ?
Parmi les projets #scientific-machine-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Julia, Jupyter Notebook, HTML.
Comment le classement des dépôts #scientific-machine-learning est-il calculé ?
Nous suivons 23 dépôts open source actifs associés à #scientific-machine-learning (500+ étoiles), totalisant 51,807 étoiles, avec une moyenne de 2,252 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.