#scientific-machine-learning Repository
Scopri 23 repository GitHub open source attivi contrassegnati con #scientific-machine-learning, che raccolgono un totale di 51,807 stelle (con una media di 2,252 stelle per progetto). Il progetto leader di questo argomento è KindXiaoming/pykan, con 16,291 stelle.
23 repository in totale
Apprendimento Profondo Informato dalla Fisica: Soluzioni Data-Driven e Scoperta di Equazioni Differenziali Parziali Non Lineari
Una libreria per il machine learning scientifico e l'apprendimento informato dalla fisica
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.
Calcolo parallelo e apprendimento automatico scientifico (SciML): Metodi e applicazioni (MIT 18.337J/6.338J)
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 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
Un'implementazione della rete neurale fermionica per calcoli ab-initio della struttura elettronica
Ottimizzazione matematica in Julia. Locale, globale, basata sul gradiente e senza derivate. Ottimizzazione lineare, quadratica, convessa, a numeri interi misti e non lineare in un'unica interfaccia semplice, veloce e differenziabile.
Rappresentazione robusta di grafi con vincoli semantici, in particolare per molecole in chimica
Tutorial per il machine learning scientifico (SciML) e la risoluzione di equazioni differenziali ad alte prestazioni con software open source.
🏆 Un elenco classificato di fantastici progetti di machine learning atomistico ⚛️🧬💎.
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
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 #scientific-machine-learning più popolare su GitHub?
Il progetto open source #scientific-machine-learning più alto in classifica su GitHub è KindXiaoming/pykan, con 16,291 stelle. Reti di Kolmogorov Arnold
Quali linguaggi di programmazione sono più utilizzati nei repository #scientific-machine-learning?
Tra i progetti #scientific-machine-learning più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Julia, Jupyter Notebook, HTML.
Come viene calcolata la classifica dei repository #scientific-machine-learning?
Monitoriamo 23 repository open source attivi contrassegnati con #scientific-machine-learning (500+ stelle), per un totale di 51,807 stelle e una media di 2,252 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.