mathLab/PINA

Physics-Informed Neural networks for Advanced modeling

What it solves

PINA는 과학적 기계 학습 (SciML) 솔루션 개발을을 단순화합니다. 물리 정보 신경망 (PINNs), 신경 연산자 (Neural Operators) 및 기타 데이터 기반 모델링 접근 방식에 대해 복잡하고 수동으로 작성된 구현을 처음부터 작성할 필요 없이 통합된 프레임워크를 통해 모델을 구축하고 실험할 수 있습니다.

How it works

이 라이브러리는 PyTorch, PyTorch Lightning, 및 PyTorch Geometric을 기반으로 구축된 모듈식 4단계 파이프라인을 사용합니다:

  1. Problem and Data: 사용자가 수학적 문제, 제약 조건 및 도메인(예: Cartesian 도메인)을 정의하거나 기존 데이터를 가져옵니다.
  2. Model Design: Model API에서 모델을 선택하거나 사용자 정의 PyTorch 모듈을 구축합니다 (Kolmogorov–Arnold Networks 지원 포함).
  3. Solver Selection: Solver Selection 단계에서 학습 전략(예: 물리 정보 기반 또는 지도 학습 기반 솔버)을 결정하기 위해 솔버를 선택합니다.
  4. Training: PyTorch Lightning 기반의 Trainer API를 사용하여 확장 가능한 멀티 디바이스 성능을 위한 모델 최적화가 수행됩니다.

Who it’s for

물리 법칙(예: PDEs/ODEs)을 신경망 학습에 통합해야 하는 과학 계산, 물리학, 수학 분야의 연구자 및 엔지니어.

Highlights

  • Modular Architecture: mixin 아키텍처를 사용하여 전처리, 순전파, 후처리를 분리합니다.
  • AI-Assisted Development: 자연스러운 대화를 통해 문제 설정, 모델 선택 및 학습을을 가이드하는 전용 AI agent 기술을 기능을 포함합니다.
  • Broad Support: 시계열 문제, 그래프 구조 데이터 및 해석적 도함수를 처리합니다.
  • Flexible Solvers: 순차적 예측을 위한 자기회귀 솔버 및 다중 모델 솔버 지원을 포함한 다양한 솔버를 제공합니다.