pnnl/neuromancer

해결하는 문제

NeuroMANCER는 파라미터화된 제약 최적화 문제를 해결하고 물리 기반 시스템 식별을 수행하기 위한 프레임워크를 제공합니다. 머신러닝과 과학 계산 사이의 격차를 메우며, 사용자가 사전 물리 지식과 도메인 제약을 미분 가능한 모델에 직접 통합하여 "최적화를 배우기" (L2O), "모델링을 배우기" (L2M), "제어를 배우기" (L2C)와 같은 작업을 수행할 수 있게 합니다.

작동 방식

PyTorch를 기반으로 하며, 변수, 제약 조건, 목적 함수를 수학적 표현으로 정의할 수 있는 기호 프로그래밍 인터페이스를 사용합니다. 이러한 표현들은 미분 가능한 문제 구조로 래핑됩니다. 다양한 최신 아키텍처와 방법을 활용하며, 다음을 포함합니다:

• 함수 근사: 콜모고로프-아르놀드 네트워크 (KANs) 및 함수 인코더.
• 동적 시스템: 신경 미분 방정식 (NODEs), 신경 상태 공간 모델 (NSSMs), 비선형 역학의 희소 식별 (SINDy).
• 제어: 흰 상자, 회색 상자, 검은 상자 시스템을 위한 제어 정책 학습을 위한 미분 가능한 예측 제어 (DPC).

대상 사용자

과학 계산, 제어 이론, 물리 기반 머신러닝 분야에서 일하는 연구자 및 엔지니어를 위한 것입니다. 특히 복잡한 동적 시스템(예: 건물 에너지 시스템, 유체 역학, 열 시스템)을 다루는 사람들에게 적합합니다.

주요 특징

• 기호 인터페이스: 물리 방정식과 도메인 제약을 학습 패러다임에 쉽게 통합할 수 있습니다.
• 미분 가능한 프로그래밍: 최적화 레이어와 미분 방정식을 포함한 모델의 엔드투엔드 학습을 가능하게 합니다.
• 광범위한 응용 범위: 파라미터 프로그래밍, 시스템 식별, 예측 제어를 위한 도구를 포함합니다.
• LLM 통합: RAG 기반 LLM 어시스턴트를 위한 라이브러리 콘텐츠 준비 스크립트를 제공하여 사용자가 코드를 작성하는 데 도움을 줍니다.