PINA-org/PINA

解決する課題

PINAは、科学機械学習（SciML）ソリューションの開発を簡素化します。データ駆動型モデリングと物理ベースの制約を組み合わせることで、微分方程式を含む複雑な数学的問題を扱うための統合されたフレームワークを提供し、反復的で手動のトレーニングループを記述する必要性を軽減します。

仕組み

このライブラリは、4つのステップのパイプラインを通じて動作します：

1. 問題とデータ: ユーザーが数学的問題を定義し、制約を特定し、またはデータセットをインポートします。
2. モデル設計: ユーザーは PyTorch または PyTorch Geometric を使用してモデルを構築するか、PINA のモデル API からモデルを選択します。
3. ソルバーの選択: 問題を解決するための戦略（例：物理情報に基づくもの、または教師あり学習）を決定するためにソルバーが選択されます。
4. トレーニング: PyTorch Lightning をベースとした Trainer API を使用してモデルが最適化されます。

最近のアップデートでは、ソルバーのための mixin アーキテクチャと、Kolmogorov–Arnold Networks (KAN) の専用サポートが導入されました。

対象者

PINNs やニューラルオペレータを実装するためのモジュール式でスケーラブルな方法を求める、科学計算、物理情報機械学習、およびデータ駆動型モデリングに従事する研究者やエンジニア向けに設計されています。

ハイライト

• 統合された SciML フレームワーク: Physics-Informed Neural Networks (PINNs)、Neural Operators、および標準的な教師あり学習をサポート。
• モジュール式アーキテクチャ: 構成可能な抽象化と mixin アーキテクチャを使用し、コンポーネントの容易な置換を可能にします。
• Sovereign AI Agents: 自然な会話を通じて、問題の設定、モデルの選択、トレーニングをユーザーにガイドする組み込みの AI エージェントスキルが含まれています。
• 幅広いモデルサポート: ベクトル化されたスプライン基底を持つ KANs (Kolmogorov–Arnold Networks) のネイティブサポートが含まれています。
• スケーラブル: PyTorch Lightning によるマルチデバイストレーニングのネイティブサポート。