SciML/DiffEqFlux.jl

解决的问题

DiffEqFlux.jl 解决了将微分方程集成到机器学习模型中的挑战。它允许研究人员将物理定律和连续时间动力学融入神经网络，创建比传统黑箱机器学习更具物理信息的「科学机器学习」（SciML）模型。

工作原理

该包将 DifferentialEquations.jl 中的微分方程求解器与 Lux.jl 和 Flux.jl 等神经网络框架融合。它提供了一组专用层，将微分方程的求解视为神经网络中的一层。这使得网络架构可以通过对求解器进行反向传播来训练。

适用人群

专为科学机器学习、物理信息神经网络以及需要连续时间动力学的复杂动力系统研究者和工程师设计。

主要亮点

• 多样化的 ODE/SDE 架构：支持 Neural ODE、Neural SDE、Neural DAE、Neural DDE 和 Augmented Neural ODE。
• 高级求解器：可访问高阶、自适应、隐式和 GPU 加速方法，包括牛顿-克里洛夫求解器。
• 专用网络：包含具有辛积分器的哈密顿神经网络和连续归一化流（CNF/FFJORD）。
• 灵活集成：允许神经网络作为 ODE 中的项，或让 ODE 求解器作为神经网络中的激活函数。