pnnl/neuromancer

解決的問題

NeuroMANCER 提供一個用於求解參數化約束最佳化問題並執行物理資訊導向的系統識別之框架。它彌補了機器學習與科學計算之間的差距，使使用者能將先驗物理知識與領域限制直接嵌入可微分模型中，以解決「學習最佳化」（L2O）、「學習建模」（L2M）與「學習控制」（L2C）等任務。

工作原理

基於 PyTorch 建構，該套件採用符號程式設計介面，允許使用者將變數、限制與目標定義為數學表達式。這些表達式隨後被包裝成可微分的問題結構。它利用多種先進的架構與方法，包括：

• 函數近似：柯爾莫哥洛夫-阿諾德網路（KANs）與函數編碼器。
• 動態系統：神經常微分方程（NODEs）、神經狀態空間模型（NSSMs）與非線性動力學的稀疏識別（SINDy）。
• 控制：用於學習白箱、灰箱與黑箱系統控制策略的可微分預測控制（DPC）。

適用對象

專為從事科學計算、控制理論與物理資訊機器學習的研究人員與工程師設計，特別適合處理複雜動態系統（例如建築能源系統、流體動力學或熱系統）的使用者。

主要特色

• 符號介面：簡化將物理方程式與領域限制嵌入學習範式之過程。
• 可微分程式設計：支援包含最佳化層與微分方程之模型的端對端訓練。
• 廣泛應用範圍：包含參數程式設計、系統識別與預測控制的工具。
• LLM 整合：提供腳本，將套件內容準備為 RAG 基礎的 LLM 助手可使用的格式，協助使用者撰寫程式碼。