SciML/SciMLBenchmarks.jl

解决的问题

SciMLBenchmarks.jl 提供了一个标准化的开源框架，用于评估科学机器学习（SciML）工具和方程求解器的性能。它解决了在不同语言和实现之间，对各种数值方法的速度、鲁棒性和准确性进行公平、可复现比较的需求。

工作原理

该项目维护一个基准测试套件集合，包括笔记本和 Weave.jl 文件，用于测试求解器在各种问题上的表现。通过“工作-精度图”来衡量效率，该图将时间与误差容差进行绘图，以确定在给定精度水平下最高效的求解方法。基准测试在标准化硬件（AMD EPYC 处理器）上执行，以确保可复现性，并自动生成 PDF、HTML 和笔记本格式。

适用人群

需要比较方程求解器、参数估计方法或神经算子，以选择最适合其特定数学问题的工具的计算科学和科学人工智能领域的研究人员、开发者和实践者。

主要亮点

• 全面覆盖：涵盖非刚性/刚性 ODE、SDE、DDE 以及物理信息神经网络（PINNs）等多种方法。
• 科学人工智能集成：包含 DeepONets 和傅里叶神经算子等代理模型的比较。
• 可复现的基础设施：使用具有特定 CPU 和 GPU 配置的自托管 GitHub Actions 运行器，以保持一致的硬件基准。
• 交互式探索：允许用户在本地生成并运行交互式笔记本，以验证或扩展基准结果。