pnnl/neuromancer

何を解決するか

NeuroMANCER はパラメトリックな制約付き最適化問題を解くためのフレームワークを提供し、物理情報付きのシステム同定を実行します。機械学習と科学計算の間のギャップを埋め、ユーザーが事前物理知識やドメイン制約を微分可能なモデルに直接組み込むことを可能にし、 "最適化を学ぶ"（L2O）、"モデルを学ぶ"（L2M）、"制御を学ぶ"（L2C）といったタスクを解決できます。

仕組み

PyTorch を基盤として構築されたこのライブラリは、変数、制約、目的関数を数学的表現として定義できる記号プログラミングインターフェースを採用しています。これらは微分可能な問題構造にラップされます。最新のアーキテクチャと手法を活用しており、以下を含みます：

• 関数近似：コルモゴロフ＝アルノルドネットワーク（KANs）と関数エンコーダー。
• 動的システム：ニューラル常微分方程式（NODEs）、ニューラル状態空間モデル（NSSMs）、非線形動力学のスパース同定（SINDy）。
• 制御：白箱、グレイボックス、ブラックボックスシステム向けの制御ポリシー学習に向けた微分可能な予測制御（DPC）。

対象ユーザー

科学計算、制御理論、物理情報付き機械学習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。特に、複雑な動的システム（例：建物エネルギーシステム、流体動力学、熱システム）を扱う人々に適しています。

特徴

• 記号インターフェース：物理方程式やドメイン制約を学習パラダイムに簡単に組み込むことを可能にします。
• 微分可能なプログラミング：最適化レイヤーや微分方程式を含むモデルのエンドツーエンド学習を可能にします。
• 広範な応用範囲：パラメトリックプログラミング、システム同定、予測制御のためのツールを備えています。
• LLM統合：RAGベースのLLMアシスタント用にライブラリコンテンツを準備するスクリプトを提供し、ユーザーがコードを書くのを支援します。