SciML/NeuralPDE.jl

解決する問題

NeuralPDE.jl は、ニューラルネットワークを使用して偏微分方程式（PDE）を解く方法を提供し、従来の数値手法よりも高い一般性を実現します。このパッケージは、従来の離散化グリッドに依存せずに、微分方程式で記述される複雑な物理系の解を近似できるようにします。

動作方法

このパッケージは、物理情報付きニューラルネットワーク（PINNs）を実装しています。高レベルの記号インターフェースを使用して、問題の物理法則（PDE、境界条件、定義域）に基づいて自動的に損失関数を構築します。これらの損失関数は、ニューラルネットワークが方程式で記述された物理法則を満たす解を見つけるように導きます。

対象ユーザー

科学的機械学習（SciML）に従事する研究者やエンジニア向けに設計されており、特にODE、SDE、RODE、PDE（積分微分方程式を含む）を解く必要がある人向けです。

特徴

• 広範な方程式対応: ODE、SDE、RODE、PDE、および偏積分微分方程式を解くことができます。
• 自動設定: 記号的な定義から物理情報付き損失関数を自動生成します。
• 学習高速化: 積分訓練戦略、適応型損失関数、ニューラルアダプタなどの高度な技術を含みます。
• エコシステム互換性: GPU対応レイヤー用に Flux.jl および Lux.jl と連携し、NeuralOperators.jl と統合して DeepONets および Fourier Neural Operators を利用可能にします。
• データ統合: 物理情報付き解法とデータ適合を組み合わせて、ハイブリッド科学的機械学習を実現します。