mathLab/PINA

Physics-Informed Neural networks for Advanced modeling

What it solves

PINA は、科学機械学習 (SciML) ソリューションの開発を簡略化します。物理情報ニューラルネットワーク (PINNs)、ニューラルオペレーター、およびその他のデータ駆動型モデリング手法を、複雑で手作業による実装をゼロから構築することなく、統一されたフレームワークで構築・実験することが可能です。

How it works

本ライブラリは、PyTorch、PyTorch Lightning、および PyTorch Geometric に基づいて構築されたモジュール式の 4 ステップ パイプラインを使用します：

  1. Problem and Data: ユーザーは数学的問題、制約条件、および領域（例：デカルト座標系）を定義、または既存のデータをインポートします。
  2. Model Design: ユーザーは Model API からモデルを選択、またはカスタム PyTorch モジュールを構築します（Kolmogorov–Arnold Networks のサポートを含む）。
  3. Solver Selection: 学習戦略（例：物理情報ベースまたは教師あり学習ベースのソルバー）を決定するためにソルバーを選択します。
  4. Training: PyTorch Lightning を活用した Trainer API を使用して、スケーラブルでマルチデバイス性能を実現しながらモデルを最適化します。

Who it’s for

物理法則（例：PDEs/ODEs）をニューラルネットワークの学習に組み込む必要がある、科学計算、物理学、および数学の研究者やエンジニア。

Highlights

  • Modular Architecture: mixin アーキテクチャを使用して、前処理、フォワードパス、後処理を分離します。
  • AI-Assisted Development: 自然な対話を通じて、問題設定、モデル選択、および学習をガイドする専用の AI agent スキルが含まれています。
  • Broad Support: 時系列問題、グラフ構造データ、および解析的導関数を扱います。
  • Flexible Solvers: 系列予測のための自己回帰ソルバーや、マルチモデルソルバーのサポートを含む、様々なソルバーを提供します。