jdtoscano94/NABLA-SciML

What it solves

NABLA-SciML 提供了一个统一的框架，用于实现科学机器学习 (SciML) 方法，以研究使用传统技术难以分析的复杂物理系统——例如湍流和脑脊液流动。

How it works

该项目实现了几个先进的神经网络架构和优化技术，专为物理信息驱动学习设计，包括：

• Physics-Informed Neural Networks (PINNs) 和 DeepONets。
• Kolmogorov-Arnold Networks (KANs) 及其变体，例如 Kurkova-Kolmogorov-Arnold Networks (KKANs) 和 cKANs。
• Residual-Based Attention (RBA) 和用于残差基底适性的变分框架 (vRBA)，以提高模型的稳定性与可靠性。
• 一个用于高精度训练的自定义 Self-Scaling Broyden (SSBroyden) 优化器。

Who it’s for

需要神经网络 PDE 解法器和算子学习框架的可重复实现的研究人员和工程师。

Highlights

• 支持 PyTorch 和 JAX。
• 包含一个专门的 SSBroyden 优化器以提高精度。
• 提供微分方程的 MLP 和 KAN 表示法之间的全面比较。
• 为 PINNs 和 DeepONets 的初学者提供教程和视频指南。