SciML/DiffEqFlux.jl

解決的問題

DiffEqFlux.jl 解決了將微分方程整合至機器學習模型的挑戰。它讓研究者能將物理定律與連續時間動力學納入神經網路，建立比傳統黑箱機器學習更具物理資訊的「科學機器學習」（SciML）模型。

工作原理

此套件將 DifferentialEquations.jl 的微分方程求解器與 Lux.jl、Flux.jl 等神經網路框架融合。提供一組專用層，將微分方程的求解視為神經網路中的一層。這使得架構可透過對求解器進行反向傳播來訓練。

適用對象

專為科學機器學習、物理資訊神經網路，以及需要連續時間動力學的複雜動力系統研究者與工程師設計。

主要特色

• 多樣化的 ODE/SDE 架構：支援 Neural ODE、Neural SDE、Neural DAE、Neural DDE 與 Augmented Neural ODE。
• 先進求解器：可存取高階、自適應、隱式與 GPU 加速方法，包含牛頓-克里洛夫求解器。
• 專用網路：包含具辛積分器的哈密頓神經網路與連續歸一化流（CNF/FFJORD）。
• 彈性整合：允許神經網路作為 ODE 中的項，或讓 ODE 求解器作為神經網路中的激活函數。