#scientific-machine-learning Репозитории
Откройте для себя 23 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #scientific-machine-learning, с общим числом 51,807 звёзд (в среднем 2,252 на проект). Лидером этой темы является KindXiaoming/pykan, набравший 16,291 звёзд.
Всего репозиториев: 23
Физически информированное глубокое обучение: Решения, основанные на данных, и открытие нелинейных уравнений в частных производных
Многоязычный набор для высокопроизводительных решателей дифференциальных уравнений и компонентов научного машинного обучения (SciML). Обыкновенные дифференциальные уравнения (ODEs), стохастические дифференциальные уравнения (SDEs), уравнения с запаздыванием (DDEs), дифференциально-алгебраические уравнения (DAEs) и многое другое в Julia.
Параллельные вычисления и научное машинное обучение (SciML): Методы и приложения (MIT 18.337J/6.338J)
Фреймворк для акаузального моделирования для автоматически параллелизованного научного машинного обучения (SciML) в Julia. Система компьютерной алгебры для интегрированной символики для машинного обучения, информированного физикой, и автоматизированных преобразований дифференциальных уравнений
Решатели Physics-Informed Neural Networks (PINN) для (частичних) дифференциальных уравнений в ускоренной симуляции научного машинного обучения (SciML)
Готовые архитектуры неявных слоев с O(1) обратным распространением, GPU и решателями DE для жестких+нежестких уравнений, демонстрирующими научное машинное обучение (SciML) и методы машинного обучения, информированные физикой
Реализация фермионной нейронной сети для ab-initio расчетов электронной структуры
Математическая оптимизация в Julia. Локальная, глобальная, градиентная и безпроизводная. Линейная, квадратичная, выпуклая, смешанно-целочисленная и нелинейная оптимизация в одном простом, быстром и дифференцируемом интерфейсе.
Надёжное представление семантически ограниченных графов, в частности для молекул в химии
Учебные пособия по научному машинному обучению (SciML) и высокопроизводительному решению дифференциальных уравнений с использованием открытого программного обеспечения.
🏆 Рейтинговый список потрясающих проектов по молекулярному машинному обучению ⚛️🧬💎.
Высокопроизводительные решатели обыкновенных дифференциальных уравнений (ODE) и дифференциально-алгебраических уравнений (DAE), включая нейронные обыкновенные дифференциальные уравнения (neural ODEs) и научное машинное обучение (SciML)
Решение дифференциальных уравнений в Python с использованием DifferentialEquations.jl и организации SciML Scientific Machine Learning
Интерфейс сетей химических реакций и системной биологии для научного машинного обучения (SciML). Высокопроизводительные, GPU-параллелизованные и O(1) решатели в программном обеспечении с открытым исходным кодом.
Часто задаваемые вопросы
Какой репозиторий по теме #scientific-machine-learning наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #scientific-machine-learning на GitHub — KindXiaoming/pykan, набравший 16,291 звёзд. Сети Колмогорова-Арнольда
Какие языки программирования чаще всего используются в репозиториях по теме #scientific-machine-learning?
Среди наиболее высоко оценённых проектов по теме #scientific-machine-learning на GitHub чаще всего используются языки программирования Python, Julia, Jupyter Notebook, HTML.
Как рассчитывается рейтинг репозиториев по теме #scientific-machine-learning?
Мы отслеживаем 23 активных репозиториев с открытым исходным кодом, отмеченных тегом #scientific-machine-learning (500 и более звёзд), с общим числом 51,807 звёзд и в среднем 2,252 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.