SciML/SciMLBenchmarks.jl

解決的問題

SciMLBenchmarks.jl 提供一個標準化、開源的框架，用於評估科學機器學習（SciML）工具與方程求解器的效能。它解決了在不同語言與實作之間，對各種數值方法的速度、穩健性與準確性進行公平、可重現比較的需求。

作法原理

本專案維護一系列基準測試套件，包含筆記本與 Weave.jl 檔案，用以測試求解器在各種問題上的表現。透過「工作-精度圖」來衡量效率，該圖將時間與誤差容許範圍繪製成圖，以判斷在特定準確度水平下最有效率的方法。基準測試在標準化硬體（AMD EPYC 處理器）上執行，以確保可重現性，並自動產生 PDF、HTML 與筆記本格式。

適用對象

需要比較方程求解器、參數估計方法或神經算子，以選擇最適合其特定數學問題工具的計算科學與科學用 AI 研究人員、開發者與實務者。

主要特色

• 全面覆蓋：涵蓋非剛性／剛性 ODE、SDE、DDE 與物理資訊神經網路（PINNs）等多種方法。
• 科學用 AI 整合：包含 DeepONets 與傅立葉神經算子等代理模型的比較。
• 可重現的基礎設施：使用具特定 CPU 與 GPU 配置的自架 GitHub Actions 執行器，以維持一致的硬體基準。
• 互動式探索：允許使用者在本地生成並執行互動式筆記本，以驗證或擴展基準結果。