Download do deepxde - Download do código fonte deepxde

deepxde

Pitão

v1.12.2

Baixar

Deepxde

O Deepxde é uma biblioteca para aprendizado científico de metralhador e aprendizado informado por física. Deepxde inclui os seguintes algoritmos:

Rede neural informada por física (PINN)
- resolvendo problemas diferentes
  - Resolvendo equações diferenciais ordinárias/inversas/inversas (ODES/PDEs) [Siam Rev.]
  - Resolvendo Equações Integro-Diferenciais Avançadas/Inversas (IDES) [Siam Rev.]
  - FPINN: Resolvendo PDEs fracionários para frente/inverso (FPDEs) [Siam J. Sci. Comput.]
  - Chaos polinomial nn-arbitrário (NN-APC): resolvendo PDEs estocásticos para frente/inverso (SPDEs) [J. Computação. Phys.]
  - PINN com restrições difíceis (HPINN): Resolvendo o Projeto Inverso/Otimização da Topologia [Siam J. Sci. Comput.]
- melhorando a precisão do pinn
  - Amostragem adaptativa baseada em resíduos [Siam Rev., Comput. Métodos Appl. Mech. Eng.]
  - Pinn aprimorado por gradiente (GPINN) [Comput. Métodos Appl. Mech. Eng.]
  - Pinn com recursos de Fourier em várias escalas [Comput. Métodos Appl. Mech. Eng.]
- Slides, vídeo, vídeo em chinês
(Física informada) Rede de Operadores Deep (Deponenet)
- Deoponet: Operadores de Aprendizagem [Nat. Mach. Intell.]
- Extensões deponetas, por exemplo, pod-deponet [Comput. Métodos Appl. Mech. Eng.]
- Mionet: Aprendendo operadores de múltiplas entradas [Siam J. Sci. Comput.]
- Fourier-Deeponet [Comput. Métodos Appl. Mech. Eng.], Fourier-Mionet [Arxiv]
- Deeponet informado pela física [SCI. Adv.]
- Multifidelity Dedonet [Phys. Rev. Research]
- Deepm & Mnet: resolvendo problemas multifísicos e multiscaterais [J. Computação. Phys., J. Comput. Phys.]
- Extrapolação confiável [Comput. Métodos Appl. Mech. Eng.]
Rede Neural de Multifidelidade (MFNN)
- Aprendendo com dados de multifidelidade [J. Computação. Phys., PNAs]

O Deepxde suporta cinco bibliotecas de tensoros como back -end: tensorflow 1.x ( tensorflow.compat.v1 no tensorflow 2.x), tensorflow 2.x, pytorch, Jax e paddlepaddle. Para como selecionar um, consulte trabalhando com diferentes back -ends.

Documentação : ReadThEdocs

Características

O Deepxde implementou muitos algoritmos, como mostrado acima, e suporta muitos recursos:

Permite que o código do usuário seja compacto, semelhante à formulação matemática.
Geometrias de domínio complexas sem geração de malha de tirania. As geometrias primitivas são intervalos, triângulo, retângulo, polígono, disco, elipse, em forma de estrela, cubóide, esfera, hipercubo e hiperesfera. Outras geometrias podem ser construídas como geometria sólida construtiva (CSG) usando três operações booleanas: união, diferença e interseção. O Deepxde também suporta uma geometria representada por uma nuvem de pontos.
5 tipos de condições de contorno (BCS): Dirichlet, Neumann, Robin, Periódico e um BC geral, que podem ser definidos em um domínio arbitrário ou em um conjunto de pontos; e funções de distância aproximada para restrições difíceis .
3 Métodos de diferenciação automática (AD) para calcular derivados: modo reverso (isto é, retropagação), modo de frente e mudança de coordenada zero (ZCS).
Diferentes redes neurais : rede neural totalmente conectada (FNN), FNN empilhada, rede neural residual, redes de recursos de Fourier em escala múltipla (espaço-temporal), etc.
Muitos métodos de amostragem : uniforme, pseudorandom, amostragem de hipercubo latino, sequência de Halton, sequência de Hammersley e sequência de Sobol. Os pontos de treinamento podem manter o mesmo durante o treinamento ou serem reamostrados (adaptativamente) todas as iterações.
4 Espaços de função : Série de Power, Chebyshev Polinomial, campo aleatório gaussiano (1d/2d).
Treinamento paralelo de dados em várias GPUs.
Otimizadores diferentes: Adam, L-BFGs, etc.
Salve convenientemente o modelo durante o treinamento e carregue um modelo treinado.
retornos de chamada para monitorar os estados internos e estatísticas do modelo durante o treinamento: parada precoce, etc.
Quantificação da incerteza usando o abandono.
Float16 , Float32 e Float64 .
Muitos outros recursos úteis: perdas diferentes (ponderadas), cronogramas de taxa de aprendizado, métricas, etc.

Todos os componentes do Deepxde são vagamente acoplados e, portanto, o Deepxde é bem estruturado e altamente configurável. É fácil personalizar o Deepxde para atender às novas demandas.

Instalação

Deepxde requer que uma das seguintes dependências específicas de back-end seja instalada:

Tensorflow 1.x: tensorflow> = 2.7.0
TensorFlow 2.x: Tensorflow> = 2.3.0, Probabilidade do TensorFlow> = 0,11.0
Pytorch: pytorch> = 1.9.0
Jax: Jax, linho, optax
Paddlepaddle: Paddlepaddle> = 2.6.0

Em seguida, você pode instalar o próprio Deepxde.

Instale a versão estável com pip :

$ pip install deepxde

Instale a versão estável com conda :

$ conda install -c conda-forge deepxde

Para os desenvolvedores, você deve clonar a pasta para sua máquina local e colocá -la junto com os scripts do projeto.

$ git clone https://github.com/lululxvi/deepxde.git

Explorar mais

Instalar e configurar
Demos de aproximação da função
Demos de problemas para a frente
Demos de problemas inversos
Demonsionadores de aprendizado do operador
Perguntas frequentes
Documentos de pesquisa usavam Deepxde
API

Citar Deepxde

Se você usa o Deepxde para pesquisa acadêmica, é incentivado a citar o seguinte artigo:

 @article{lu2021deepxde,
  author  = {Lu, Lu and Meng, Xuhui and Mao, Zhiping and Karniadakis, George Em},
  title   = {{DeepXDE}: A deep learning library for solving differential equations},
  journal = {SIAM Review},
  volume  = {63},
  number  = {1},
  pages   = {208-228},
  year    = {2021},
  doi     = {10.1137/19M1274067}
}

Contribuindo para o Deepxde

Primeiro, obrigado por reservar um tempo para contribuir!

Relatórios de bugs. Para relatar um bug, basta abrir um problema nos problemas do GitHub.
Sugerindo aprimoramentos. Para enviar uma sugestão de aprimoramento para o Deepxde, incluindo recursos completamente novos e pequenas melhorias na funcionalidade existente, informe -nos abrindo um problema nos problemas do GitHub.
Puxar solicitações. Se você fez melhorias no Deepxde, corrigiu um bug ou teve um novo exemplo, fique à vontade para nos enviar uma solicitação de tração.
Fazendo perguntas. Para obter ajuda sobre como usar o Deepxde ou suas funcionalidades, você pode abrir uma discussão nas discussões do Github.
Respondendo a perguntas. Se você souber a resposta para qualquer pergunta nas discussões, é bem -vindo para responder.

Folga. O Slack Deepxde hospeda um público principal de usuários e desenvolvedores de Deepxde moderado a experiente para bate -papo geral, discussões on -line, colaboração etc. Se você precisar de um convite de folga, envie -me um email.

A equipe

O Deepxde foi desenvolvido por Lu Lu sob a supervisão do Prof. George Karniadekis na Brown University, desde o verão de 2018 a 2020. O Deepxde foi originalmente auto-hospedado em subversão na Universidade Brown, sob o nome SCiconet (redes neurais de computação científica). Em 7 de fevereiro de 2019, o SCICONET foi transferido da subversão para o Github, renomeado para Deepxde.

O Deepxde é atualmente mantido por Lu Lu na Universidade de Yale, com grandes contribuições provenientes de muitos indivíduos talentosos de várias formas e meios. Uma lista não exaustiva, mas crescente, precisa mencionar: Paul Escapil-InChauspé, Zongren Zou, Jialin Li, Saransh Chopra, Sensen He, Vladimir Dudenkov, Anran Jiao, Zhongyi Jiang, Shunyuan Mao.