#differential-equations Repository
Scopri 19 repository GitHub open source attivi contrassegnati con #differential-equations, che raccolgono un totale di 22,722 stelle (con una media di 1,195 stelle per progetto). Il progetto leader di questo argomento è SciML/DifferentialEquations.jl, con 3,183 stelle.
19 repository in totale
Suite multilingue per solver ad alte prestazioni di equazioni differenziali e componenti di machine learning scientifico (SciML). Equazioni differenziali ordinarie (ODEs), equazioni differenziali stocastiche (SDEs), equazioni differenziali a ritardo (DDEs), equazioni differenziali-algebriche (DAEs) e altro in Julia.
Solutori numerici per equazioni differenziali in JAX. Autodifferenziabili e capaci di GPU. https://docs.kidger.site/diffrax/
Calcolo parallelo e apprendimento automatico scientifico (SciML): Metodi e applicazioni (MIT 18.337J/6.338J)
Algebra lineare, autovalori, FFT, Bessel, ellittica, polinomi ortogonali, geometria, NURBS, quadratura numerica, interpolazione transfinita 3D, numeri casuali, Mersenne twister, distribuzioni di probabilità, ottimizzazione, equazioni differenziali.
Un framework di modellazione acausale per l'apprendimento automatico scientifico (SciML) parallelizzato automaticamente in Julia. Un sistema di algebra computazionale per simbologia integrata per l'apprendimento automatico informato dalla fisica e trasformazioni automatiche delle equazioni differenziali
Solutori SDE differenziabili con supporto GPU e analisi di sensibilità efficiente.
Solutori di Reti Neurali Informate dalla Fisica (PINN) di Equazioni Differenziali (Parziali) per Simulazione Accelerata di Machine Learning Scientifico (SciML)
Architetture di layer impliciti pre-costruite con backprop O(1), GPU e solver DE rigidi+non rigidi, che dimostrano l'apprendimento automatico scientifico (SciML) e metodi di apprendimento automatico informati dalla fisica
Una libreria per risolvere equazioni differenziali utilizzando reti neurali basate su PyTorch, utilizzata da più gruppi di ricerca in tutto il mondo, inclusa Harvard IACS.
Tutorial per il machine learning scientifico (SciML) e la risoluzione di equazioni differenziali ad alte prestazioni con software open source.
Solutori ad alte prestazioni per equazioni differenziali ordinarie (ODE) ed equazioni differenziali-algebriche (DAE), inclusi equazioni differenziali ordinarie neurali (neural ODEs) e apprendimento automatico scientifico (SciML)
Risoluzione di equazioni differenziali in Python usando DifferentialEquations.jl e l'organizzazione SciML Scientific Machine Learning
Risolvere problemi diretti e inversi relativi alle equazioni differenziali parziali utilizzando reti neurali informate dalla fisica a base finita (FBPINNs)
Interfaccia per reti di reazioni chimiche e biologia dei sistemi per il machine learning scientifico (SciML). Solutori ad alte prestazioni, parallelizzati su GPU e con complessità O(1) in software open source.
Domande frequenti
Qual è il repository #differential-equations più popolare su GitHub?
Il progetto open source #differential-equations più alto in classifica su GitHub è SciML/DifferentialEquations.jl, con 3,183 stelle. Suite multilingue per solver ad alte prestazioni di equazioni differenziali e componenti di machine learning scientifico (SciML). Equazioni differenziali ordinarie (ODEs), equazioni differenziali stocastiche (SDEs), equazioni differenziali a ritardo (DDEs), equazioni differenziali-algebriche (DAEs) e altro in Julia.
Quali linguaggi di programmazione sono più utilizzati nei repository #differential-equations?
Tra i progetti #differential-equations più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Julia, HTML, Go.
Come viene calcolata la classifica dei repository #differential-equations?
Monitoriamo 19 repository open source attivi contrassegnati con #differential-equations (500+ stelle), per un totale di 22,722 stelle e una media di 1,195 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.