neuromancer
v1.5.2
โมดูลระบบประสาทที่มีข้อ จำกัด แบบไม่เชิงเส้นแบบปรับตัวและการปรับสภาพที่มีประสิทธิภาพ (Neuromancer) เป็นไลบรารีการเขียนโปรแกรมที่แตกต่างจากโอเพ่นซอร์ส (DP) สำหรับการแก้ปัญหาการเพิ่มประสิทธิภาพแบบ จำกัด พารามิเตอร์การระบุระบบฟิสิกส์ Neuromancer เขียนขึ้นใน pytorch และช่วยให้การรวมระบบการเรียนรู้ของเครื่องกับการคำนวณทางวิทยาศาสตร์สำหรับการสร้างแบบจำลองที่แตกต่างจากต้นจนจบและอัลกอริทึมที่ฝังอยู่กับความรู้และฟิสิกส์ก่อนหน้า
เราขยายตัวอย่างโดเมนระบบพลังงานของเราด้วยการพยากรณ์โหลดสำหรับอาคาร เราแสดงการใช้แบบจำลองอนุกรมเวลาและการพยากรณ์โดยใช้ชุดข้อมูลการพยากรณ์โหลดไฟฟ้าระยะสั้น (กรณีศึกษาปานามา) เราแสดงให้เห็นถึงการพยากรณ์ความสามารถโดยใช้โมเดลหม้อแปลงบล็อกใหม่ที่เพิ่มเข้ามาในบล็อก (ประสาท) ของเราปี่รวมถึงบล็อกมาตรฐานอื่น ๆ นอกจากนี้เรายังใช้ข้อมูลสภาพอากาศในอดีตเพื่อช่วยในการพยากรณ์พลังงาน
Kolmogorov-Arnold Networks (Kans) ได้รับความสนใจเมื่อเร็ว ๆ นี้ว่าเป็นทางเลือกแทน Multilayer Perceptrons (MLPs) สำหรับการเรียนรู้ของเครื่องวิทยาศาสตร์ อย่างไรก็ตาม Kans อาจมีราคาแพงในการฝึกอบรมแม้สำหรับเครือข่ายที่ค่อนข้างเล็ก เราได้ดำเนินการบล็อก FBKAN (FBPINNs) สำหรับวิธีการสลายตัวของโดเมนสำหรับ kans ที่อนุญาตให้ Kans ขนาดเล็กหลายตัวได้รับการฝึกฝนควบคู่ไปกับการแก้ปัญหาที่แม่นยำสำหรับปัญหาหลายระดับ
ตัวอย่างใหม่:
การพยากรณ์โหลด
ฟังก์ชั่นการประมาณด้วยเครือข่าย kolgomorov-arnold
เพียงแค่วิ่ง
pip install neuromancer
สำหรับการติดตั้งด้วยตนเองโปรดดูคำแนะนำในการติดตั้ง
ชุดการสอนที่กว้างขวางสามารถพบได้ในโฟลเดอร์ตัวอย่างและบทช่วยสอนด้านล่าง ตัวอย่างโน๊ตบุ๊คแบบอินเทอร์แอคทีฟมีอยู่ใน Google Colab! ทดสอบฟังก์ชั่น Neuromancer ก่อนที่จะโคลนที่เก็บและตั้งค่าสภาพแวดล้อม
สมุดบันทึกด้านล่างแนะนำ Abstractions หลักของไลบรารี Neuromancer โดยเฉพาะอย่างยิ่งอินเตอร์เฟสการเขียนโปรแกรมสัญลักษณ์และคลาสโหนด
ส่วนที่ 1: การถดถอยเชิงเส้นใน pytorch กับ neuromancer
ส่วนที่ 2: การสอนไวยากรณ์ Neuromancer: ตัวแปรข้อ จำกัด และวัตถุประสงค์
ส่วนที่ 3: การสอนไวยากรณ์ Neuromancer: โมดูล, โหนดและคลาสระบบ
ตัวอย่างด่วนสำหรับวิธีการแก้ปัญหาการเพิ่มประสิทธิภาพแบบ จำกัด พารามิเตอร์โดยใช้ Neuromancer ใช้ประโยชน์จากอินเทอร์เฟซการเขียนโปรแกรมสัญลักษณ์ของเราโหนดและตัวแปรบล็อกไลบรารี Slim และคลาสการลงโทษ
# Neuromancer syntax example for constrained optimization
import neuromancer as nm
import torch
# define neural architecture
func = nm . modules . blocks . MLP ( insize = 1 , outsize = 2 ,
linear_map = nm . slim . maps [ 'linear' ],
nonlin = torch . nn . ReLU , hsizes = [ 80 ] * 4 )
# wrap neural net into symbolic representation via the Node class: map(p) -> x
map = nm . system . Node ( func , [ 'p' ], [ 'x' ], name = 'map' )
# define decision variables
x = nm . constraint . variable ( "x" )[:, [ 0 ]]
y = nm . constraint . variable ( "x" )[:, [ 1 ]]
# problem parameters sampled in the dataset
p = nm . constraint . variable ( 'p' )
# define objective function
f = ( 1 - x ) ** 2 + ( y - x ** 2 ) ** 2
obj = f . minimize ( weight = 1.0 )
# define constraints
con_1 = 100. * ( x >= y )
con_2 = 100. * ( x ** 2 + y ** 2 <= p ** 2 )
# create penalty method-based loss function
loss = nm . loss . PenaltyLoss ( objectives = [ obj ], constraints = [ con_1 , con_2 ])
# construct differentiable constrained optimization problem
problem = nm . problem . Problem ( nodes = [ map ], loss = loss )Neuromancer ถูกสร้างขึ้นเพื่อจัดการกับการสร้างแบบจำลองเฉพาะโดเมนและปัญหาการควบคุมที่หลากหลายโดยใช้วิธีการต่างๆ ที่นี่เราแสดงวิธีการจำลองและควบคุมระบบพลังงานอาคารรวมถึงใช้เทคนิคการพยากรณ์โหลด
สำหรับความครอบคลุมในเชิงลึกเพิ่มเติมของวิธีการของเราโปรดดูส่วนบทเรียนทั่วไปของเราด้านล่าง
Neuromancer ช่วยให้คุณสามารถกำหนดและแก้ไขปัญหาการเพิ่มประสิทธิภาพแบบพารามิเตอร์ในวงกว้างได้ใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อเรียนรู้วิธีแก้ไขปัญหาดังกล่าว ข้อมูลเพิ่มเติมเกี่ยวกับการเขียนโปรแกรมพารามิเตอร์
ส่วนที่ 1: การเรียนรู้ที่จะแก้ปัญหาการเพิ่มประสิทธิภาพที่ จำกัด
ส่วนที่ 2: การเรียนรู้ที่จะแก้ปัญหาการเพิ่มประสิทธิภาพแบบสี่เหลี่ยมจัตุรัส
ส่วนที่ 3: การเรียนรู้ที่จะแก้ปัญหาการเพิ่มประสิทธิภาพ 2D ข้อ จำกัด
ส่วนที่ 4: การเรียนรู้ที่จะแก้ปัญหาการเพิ่มประสิทธิภาพที่ จำกัด ด้วยการไล่ระดับสีที่คาดการณ์ไว้
ส่วนที่ 5: การใช้ CVXPylayers สำหรับการฉายภาพที่แตกต่างกันไปยังชุดที่เป็นไปได้แบบโพลีโทปิก
ส่วนที่ 6: การเรียนรู้ที่จะปรับให้เหมาะสมกับการเรียนรู้แบบเมตริกสำหรับเลเยอร์แยกผู้ประกอบการ
Neuromancer ช่วยให้คุณเรียนรู้นโยบายการควบคุมสำหรับระบบไดนามิกสีขาว/สีเทา/สีดำเต็มรูปแบบซึ่งอยู่ภายใต้ข้อ จำกัด ทางเลือกและฟังก์ชั่นวัตถุประสงค์ ข้อมูลเพิ่มเติมเกี่ยวกับการควบคุมการทำนายที่แตกต่างกัน
Neuromancer เป็นวิธีที่ทันสมัยด้วยวิธีการที่ทันสมัย ที่นี่เราแสดงข้อมูลเพิ่มเติมของเครือข่าย Kolgomorov-Arnold ข้อมูลเพิ่มเติมเกี่ยวกับเครือข่าย Kolgomorov-Arnold
Neuromancer ช่วยให้หนึ่งสามารถใช้การเรียนรู้ของเครื่องฟิสิกส์ก่อนและความรู้โดเมนเพื่อสร้างแบบจำลองทางคณิตศาสตร์และความแตกต่างของระบบพลวัตเนื่องจากการสังเกตที่วัดได้ของพฤติกรรมของระบบ ข้อมูลเพิ่มเติมเกี่ยวกับ ID ระบบผ่านแบบจำลองพื้นที่ของระบบประสาทและ ODES
การออกแบบการเขียนโปรแกรมเชิงสัญลักษณ์ของ Neuromancer เหมาะอย่างยิ่งสำหรับการแก้ปัญหา PINNS ข้อมูลเพิ่มเติมเกี่ยวกับ pinns
Neuromancer ได้รับการรวมเข้ากับ Torchsde เพื่อจัดการระบบพลวัตสุ่ม ข้อมูลเพิ่มเติมเกี่ยวกับ SDES
เราได้รวม Pytorch Lightning เพื่อปรับปรุงรหัสเปิดใช้งานตรรกะการฝึกอบรมที่กำหนดเองรองรับการตั้งค่า GPU และ Multi-GPU และจัดการงานการเรียนรู้ขนาดใหญ่ขนาดใหญ่ที่ใช้หน่วยความจำ
เอกสารสำหรับห้องสมุดสามารถพบได้ทางออนไลน์ นอกจากนี้ยังมีวิดีโอแนะนำที่ครอบคลุมคุณสมบัติหลักของห้องสมุด
สำหรับข้อมูลเพิ่มเติมรวมถึงข้อมูลสำหรับนักพัฒนาโปรดไปที่นักพัฒนาและคู่มือผู้ใช้ของเรา
เรายินดีต้อนรับการมีส่วนร่วมและข้อเสนอแนะจากชุมชนโอเพ่นซอร์ส!
โปรดอ่านแนวทางการพัฒนาชุมชนสำหรับข้อมูลเพิ่มเติมเกี่ยวกับการมีส่วนร่วมการอภิปรายและปัญหา
ดูบันทึกย่อที่จัดทำเอกสารคุณสมบัติใหม่
Neuromancer มาพร้อมกับใบอนุญาต BSD ดูใบอนุญาตสำหรับรายละเอียดเพิ่มเติม
@article{Neuromancer2023,
title={{NeuroMANCER : Neural Modules with Adaptive Nonlinear Constraints and Efficient Regularizations}},
author={Drgona, Jan and Tuor, Aaron and Koch, James and Shapiro, Madelyn and Jacob, Bruno and Vrabie, Draguna},
Url= {https://github.com/pnnl/neuromancer},
year={2023}
} นักพัฒนาหลักที่ใช้งานอยู่ : Jan Drgona, Rahul Birmiwal, Bruno Jacob
ผู้มีส่วนร่วมที่โดดเด่น : Aaron Tuor, Madelyn Shapiro, James Koch, Seth Briney, Bo Tang, Ethan King, Elliot Skomski, Zhao Chen, Christian Møldrup Legaard
ที่ปรึกษาทางวิทยาศาสตร์ : Draguna Vrabie, Panos Stinis
การบริจาคโอเพ่นซอร์สทำโดย:
ทำด้วย contrib.rocks
การวิจัยนี้ได้รับการสนับสนุนบางส่วนโดยคณิตศาสตร์เพื่อการให้เหตุผลทางวิทยาศาสตร์ (MARS) และการบรรจบกันของแบบจำลองข้อมูล (DMC) ผ่านการลงทุนในห้องปฏิบัติการกำกับการวิจัยและพัฒนา (LDRD) ที่ห้องปฏิบัติการแห่งชาติ Pacific Northwest พลังงานทดแทนสำนักงานเทคโนโลยีการก่อสร้างภายใต้“ การกำจัดคาร์บอเนตแบบไดนามิกผ่านการเรียนรู้เชิงลึกทางฟิสิกส์เป็นศูนย์กลางและการเพิ่มประสิทธิภาพของการดำเนินงานอาคาร” และ“ การจัดการพลังงานอาคารพร้อมตลาดที่ก้าวหน้าโดยโครงการควบคุมการทำนายที่มีประสิทธิภาพ โครงการนี้ยังได้รับการสนับสนุนจากกระทรวงพลังงานของสหรัฐอเมริกาโครงการวิจัยการคำนวณทางวิทยาศาสตร์ขั้นสูงภายใต้ปริมาณความไม่แน่นอนสำหรับโครงการ Multifidelity Operator Learning (MOLUCQ) (โครงการหมายเลขโครงการ 81739) PNNL เป็นห้องปฏิบัติการแห่งชาติหลายโปรแกรมดำเนินการสำหรับกระทรวงพลังงานของสหรัฐอเมริกา (DOE) โดยสถาบันอนุสรณ์ Battelle ภายใต้สัญญาหมายเลข DE-AC05-76RL0-1830
