pnnl/neuromancer

解决的问题

NeuroMANCER 提供了一个用于求解参数化约束优化问题并执行物理信息驱动的系统识别的框架。它弥合了机器学习与科学计算之间的差距，使用户能够将先验物理知识和领域约束直接嵌入可微分模型中，以解决诸如 "学习优化"（L2O）、"学习建模"（L2M）和 "学习控制"（L2C）等任务。

工作原理

基于 PyTorch 构建，该库采用符号编程接口，允许用户将变量、约束和目标定义为数学表达式。这些表达式随后被封装为可微分的问题结构。它利用了多种最先进的架构和方法，包括：

• 函数逼近：柯尔莫哥洛夫-阿诺德网络（KANs）和函数编码器。
• 动力系统：神经微分方程（NODEs）、神经状态空间模型（NSSMs）和非线性动力学的稀疏识别（SINDy）。
• 控制：用于学习白箱、灰箱和黑箱系统控制策略的可微分预测控制（DPC）。

适用人群

专为从事科学计算、控制理论和物理信息机器学习的研究人员和工程师设计，尤其适用于处理复杂动力系统（如建筑能源系统、流体动力学或热系统）的用户。

主要亮点

• 符号接口：简化了将物理方程和领域约束嵌入学习范式的过程。
• 可微分编程：支持包含优化层和微分方程的模型进行端到端训练。
• 广泛应用范围：包含参数编程、系统识别和预测控制的工具。
• LLM 集成：提供脚本，将库内容准备为 RAG 基础的 LLM 助手可使用的格式，帮助用户编写代码。