jdtoscano94/NABLA-SciML

What it solves

NABLA-SciML 提供了一個統一的框架，用於實作科學機器學習 (SciML) 方法，以研究使用傳統技術難以分析的複雜物理系統——例如湍流和腦脊液流動。

How it works

該專案實作了幾種專為物理資訊驅動學習設計的先進神經網路架構與優化技術，包括：

• Physics-Informed Neural Networks (PINNs) 與 DeepONets。
• Kolmogorov-Arnold Networks (KANs) 及其變體，例如 Kurkova-Kolmogorov-Arnold Networks (KKANs) 和 cKANs。
• Residual-Based Attention (RBA) 與用於殘差基底適應性的變分框架 (vRBA)，以提高模型的穩定性與可靠性。
• 一個用於高精度訓練的自定義 Self-Scaling Broyden (SSBroyden) 優化器。

Who it’s for

需要神經網路 PDE 解法器與算子學習框架的可重複實作的科學機器學習領域的研究人員與工程師。

Highlights

• 支援 PyTorch 與 JAX。
• 包含一個專門的 SSBroyden 優化器以提高精度。
• 提供微分方程的 MLP 與 KAN 表示法之間的全面比較。
• 為 PINNs 與 DeepONets 的初學者提供教學與影片指南。