PINA-org/PINA

Physics-Informed Neural networks for Advanced modeling

解決的問題

PINA 簡化了科學機器學習 (SciML) 解決方案的開發。它透過將數據驅動建模與基於物理的約束相結合，提供了一個處理複雜數學問題（如涉及微分方程的問題）的統一框架，減少了編寫重複、手工編寫的訓練循環的需求。

工作原理

該函式庫透過四個步驟的流水線運行：

  1. 問題與數據：使用者定義數學問題，識別約束條件或匯入數據集。
  2. 模型設計：使用者使用 PyTorch 或 PyTorch Geometric 構建模型，或從 PINA 的模型 API 中選擇一個。
  3. 求解器選擇：選擇一個求解器來決定解決問題的策略（例如：物理資訊驅動或監督學習）。
  4. 訓練：使用由 PyTorch Lightning 驅動的 Trainer API 對模型進行優化。

最近的更新引入了求解器的 mixin 架構以及對 Kolmogorov–Arnold Networks (KAN) 的專用支援。

適用對象

專為從事科學計算、物理資訊機器學習和數據驅動建模的研究人員和工程師設計，他們希望以模組化和可擴展的方式實現 PINNs 和神經算子。

亮點

  • 統一的 SciML 框架：支援物理資訊神經網路 (PINNs)、神經算子和標準監督學習。
  • 模組化架構：使用可組合的抽象和 mixin 架構，允許輕鬆替換組件。
  • Sovereign AI Agents：包含內建的 AI 代理技能，透過自然對話引導使用者完成問題設定、模型選擇和訓練。
  • 廣泛的模型支援：包括對具有向量化樣條基的 KANs (Kolmogorov–Arnold Networks) 的原生支援。
  • 可擴展性：透過 PyTorch Lightning 原生支援多裝置訓練。