SciML/DifferentialEquations.jl

求解內容

它為廣泛的微分方程提供了一套全面的高性能數值求解器，使研究人員和工程師能夠跨不同的程式語言（Julia、Python 和 R）高效地求解複雜的數學模型。

工作原理

該套件實現了多種演算法，從經典的 C/Fortran 方法到針對高精度和 HPC 應用優化的現代研究驅動型求解器。它與 Julia 生態系統整合，提供 GPU 加速、自動稀疏性檢測和任意精度算術。它還允許使用者透過更改單行程式碼，在不同的求解器（包括來自其他語言的求解器）之間進行切換，以便於進行基準測試。

適用對象

需要為研究、教學或工業應用求解微分方程的科學家、數學家和工程師，以及從事科學機器學習 (SciML) 的人員。

亮點

• 廣泛的方程支援：求解 ODE、SDE、DAE、DDE、PDE 和混合方程。
• 科學 AI 整合：透過 DiffEqFlux.jl 支援用於科學機器學習的神經微分方程。
• 高性能：作為現有最快的實作之一，支援 GPU 加速與多執行緒模擬。
• 進階分析：包含用於前向與伴隨敏感性分析、參數估計、貝氏分析和不確定性量化的內建工具。