PINA-org/PINA

Physics-Informed Neural networks for Advanced modeling

해결하는 문제

PINA는 과학적 기계 학습(SciML) 솔루션 개발을 단순화합니다. 데이터 기반 모델링과 물리 기반 제약을 결합하여 미분 방정식을 포함한 복잡한 수학적 문제를 처리할 수 있는 통합 프레임워크를 제공하며, 반복적이고 수동으로 작성해야 하는 훈련 루프의 필요성을 줄여줍니다.

작동 방식

이 라이브러리는 4단계 파이프라인을 통해 작동합니다:

  1. 문제 및 데이터: 사용자가 수학적 문제를 정의하고, 제약 조건을 식별하거나 데이터 세트를 가져옵니다.
  2. 모델 설계: 사용자는 PyTorch 또는 PyTorch Geometric를 사용하여 모델을 구축하거나 PINA의 모델 API에서 모델을 선택합니다.
  3. 솔버 선택: 문제 해결 전략(예: 물리 정보 기반 또는 지도 학습)을 결정하기 위해 솔버를 선택합니다.
  4. 훈련: PyTorch Lightning 기반의 Trainer API를 사용하여 모델을 최적화합니다.

최근 업데이트에서는 솔버를 위한 mixin 아키텍처와 Kolmogorov–Arnold Networks (KAN)에 대한 전용 지원이 도입되었습니다.

대상

PINNs 및 Neural Operators를 구현하기 위한 모듈식 및 확장 가능한 방법을 원하는 과학 계산, 물리 정보 기계 학습 및 데이터 기반 모델링 분야의 연구자와 엔지니어를 위해 설계되었습니다.

주요 특징

  • 통합 SciML 프레임워크: Physics-Informed Neural Networks (PINNs), Neural Operators 및 표준 지도 학습을 지원합니다.
  • 모듈형 아키텍처: 구성 가능한 추상화와 mixin 아키텍처를 사용하여 구성 요소를 쉽게 교체할 수 있습니다.
  • Sovereign AI Agents: 자연스러운 대화를 통해 문제 설정, 모델 선택 및 훈련을 안내하는 내장된 AI 에이전트 기능을 포함합니다.
  • 폭넓은 모델 지원: 벡터화된 스플라인 기저를 가진 KANs (Kolmogorov–Arnold Networks)에 대한 네이티브 지원을 포함합니다.
  • 확장성: PyTorch Lightning을 통한 멀티 디바이스 훈련의 네이티브 지원을 제공합니다.