SciML/DiffEqFlux.jl

何を解決するか

DiffEqFlux.jl は、微分方程式を機械学習モデルに統合する課題を解決します。研究者が物理法則や連続時間ダイナミクスをニューラルネットワークに組み込むことを可能にし、従来のブラックボックスMLよりも物理的に情報に基づいた「科学的機械学習」（SciML）モデルを構築できます。

仕組み

このパッケージは DifferentialEquations.jl からの微分方程式ソルバーと、Lux.jl や Flux.jl などのニューラルネットワークフレームワークを統合します。微分方程式の解法をニューラルネットワークのレイヤーとして扱う専用レイヤー群を提供します。これにより、ソルバーを介したバックプロパゲーションによってアーキテクチャを学習できます。

対象ユーザー

科学的機械学習、物理情報付きニューラルネットワーク、連続時間ダイナミクスが必要な複雑な力学系に取り組む研究者やエンジニア向けに設計されています。

特徴

• 多様な ODE/SDE アーキテクチャ: Neural ODE、Neural SDE、Neural DAE、Neural DDE、Augmented Neural ODE をサポート。
• 高度なソルバー: 高次、適応、陰的、GPU加速手法を含む、ニュートン・クリロフソルバーも利用可能。
• 専用ネットワーク: シンプレクティック積分器を備えたハミルトニアンニューラルネットワーク、連続正規化フロー（CNF/FFJORD）。
• 柔軟な統合: ニューラルネットワークをODEの項として使用可能、またはODEソルバーをニューラルネットワーク内の活性化関数として利用可能。