jdtoscano94/NABLA-SciML

What it solves

NABLA-SciML은 난류나 뇌척수액 흐름과 같이 전통적인 기술로는 분석하기 어려운 복잡한 물리 시스템을 연구하기 위해 과학적 기계 학습 (SciML) 방법을 구현하는 통합 프레임워크를 제공합니다.

How it works

이 프로젝트는 물리 정보 학습을 위해 설계된 여러 고급 신경망 구조와 최적화 기술을 구현합니다. 여기에는 다음이 포함됩니다:

• Physics-Informed Neural Networks (PINNs) 및 DeepONets.
• Kolmogorov-Arnold Networks (KANs) 및 그 변형인 Kurkova-Kolmogorov-Arnold Networks (KKANs) 및 cKANs.
• 모델의 안정성과 신뢰성을 향상시키기 위한 Residual-Based Attention (RBA) 및 Variational Framework for Residual-Based Adaptivity (vRBA).
• 고정밀 훈련을 위한 커스텀 Self-Scaling Broyden (SSBroyden) 최적화 도구.

Who it’s for

신경망 PDE 솔버와 연산자 학습 프레임워크의 재현 가능한 구현이 필요한 과학적 기계 학습 분야의 연구자 및 엔지니어.

Who it’s for

신경망 PDE 솔버와 연산자 학습 프레임워크의 재현 가능한 구현이 필요한 과학적 기계 학습 SciML

Highlights

• PyTorch와 JAX를 모두 지원합니다.
• 정확도를 높이기 위한 특화된 SSBroyden 최적화 도구를 포함합니다.
• 미분 방정식에 대한 MLP와 KAN 표현법 사이의 포괄적인 비교를 제공합니다.
• PINNs 및 DeepONets 초보자를 위한 튜토리얼과 비디오 가이드를 제공합니다.