uqfoundation/mystic

解決的問題

Mystic 解決了求解複雜、非凸且具有高度約束的非線性優化問題的困難。它為科學機器學習、不確定性量化 (UQ) 和人工智慧提供了一個強大的框架，降低了需要精確監控、引導和控制優化過程的使用者門檻。

工作原理

該框架透過通用 API 實現多種優化演算法，允許使用者在不重寫程式碼的情況下更換求解器。它支援「硬約束」（將搜尋限制在有效區域內）和「軟約束」（對無效區域進行懲罰）。為了促進機器學習和 UQ，Mystic 集成了採樣、插值和統計功能，包括將約束轉換為機器學習內核轉換的工具，以及引導數據收集向響應曲面關鍵點移動的自適應採樣器。

適用對象

專為科學機器學習、人工智慧和不確定性量化領域的研究人員和工程師設計，他們需要對優化工作流進行細粒度控制、具備並行計算能力以及處理複雜參數約束的能力。

亮點

• 細粒度控制：能夠使用 Step 和 Solve 命令逐次迭代地暫停、繼續和引導優化。
• 靈活的約束：支援廣泛的機率和降維約束，以及等式和不等式的符號轉換。
• 穩健的工作流：具有內建的檢查點、動態重新配置和可自定義的終止條件。
• 並行執行：透過 pathos 套件利用並行和分散式運算，同時適用於單個迭代和求解器系集。
• 機器學習集成：提供在不規則網格上生成模擬器以及透過優化器引導採樣生成高資訊量訓練數據集的工具。