SciML/NeuralPDE.jl

해결하는 문제

NeuralPDE.jl은 신경망을 사용하여 편미분방정식(PDE)을 해결하는 방법을 제공하며, 전통적인 수치적 방법보다 더 포괄적인 접근을 가능하게 합니다. 이 패키지는 전통적인 격자 기반 이산화에 의존하지 않고, 미분방정식으로 기술된 복잡한 물리계의 해를 근사할 수 있게 해줍니다.

작동 방식

이 패키지는 물리정보 신경망(PINNs)을 구현합니다. 문제의 물리 법칙(PDE, 경계 조건, 정의역)을 기반으로 자동으로 손실 함수를 생성하는 고수준 기호 인터페이스를 사용합니다. 이러한 손실 함수는 신경망이 방정식이 설명하는 물리 법칙을 만족하는 해를 찾도록 안내합니다.

대상 사용자

과학적 기계학습(SciML) 분야에서 일하는 연구자 및 엔지니어를 위한 것으로, 특히 ODE, SDE, RODE, PDE(적분-미분 방정식 포함)를 해결해야 하는 사용자에게 적합합니다.

주요 특징

• 광범위한 방정식 지원: ODE, SDE, RODE, PDE 및 부분 적분-미분 방정식을 해결할 수 있습니다.
• 자동 설정: 기호적 정의에서 물리정보 손실 함수를 자동 생성합니다.
• 학습 가속화: 적분 학습 전략, 적응형 손실 함수, 신경 어댑터와 같은 고급 기술을 포함합니다.
• 에코시스템 호환성: GPU 기반 레이어를 위해 Flux.jl 및 Lux.jl와 호환되며, NeuralOperators.jl와 통합되어 DeepONets 및 푸리에 신경 연산자(Fourier Neural Operators)를 사용할 수 있습니다.
• 데이터 통합: 물리정보 기반 해법과 데이터 피팅을 결합하여 하이브리드 과학적 기계학습을 지원합니다.