uqfoundation/mystic

解决的问题

Mystic 解决了解决复杂、非凸且具有高度约束的非线性优化问题的困难。它为科学机器学习、不确定性量化 (UQ) 和人工智能提供了一个强大的框架，降低了需要精确监控、引导和控制优化过程的用户的使用门槛。

工作原理

该框架通过通用 API 实现多种优化算法，允许用户在不重写代码的情况下更换求解器。它支持“硬约束”（将搜索限制在有效区域内）和“软约束”（对无效区域进行惩罚）。为了促进机器学习和 UQ，Mystic 集成了采样、插值和统计功能，包括将约束转换为机器学习内核变换的工具，以及引导数据收集向响应曲面关键点移动的自适应采样器。

适用对象

专为科学机器学习、人工智能和不确定性量化领域的科研人员和工程师设计，他们需要对优化工作流进行细粒度控制、具备并行计算能力以及处理复杂参数约束的能力。

亮点

• 细粒度控制：能够使用 Step 和 Solve 命令逐次迭代地暂停、继续和引导优化。
• 灵活的约束：支持广泛的概率和降维约束，以及等式和不等式的符号转换。
• 稳健的工作流：具有内置的检查点、动态重新配置和可定制的终止条件。
• 并行执行：通过 pathos 包利用并行和分布式计算，同时适用于单个迭代和求解器系综。
• 机器学习集成：提供在不规则网格上生成仿真器以及通过优化器引导采样生成高信息量训练数据集的工具。