DiffSharp公司

DiffSharp:自动区分库。DiffSharp是一个功能性的自动微分(AD)库。通过在程序执行期间系统地调用初等运算符级别的微积分链规则,AD允许精确有效地计算导数。它与数值微分不同,数值微分容易产生截断和舍入误差,符号微分受表达式膨胀的影响,不能完全处理算法控制流。使用DiffSharp库,微分(梯度、Hessian、Jacobian、方向导数和无矩阵Hessian和Jacobian向量积)是使用高阶函数(即以其他函数作为参数的函数)来应用的。您的函数可以使用语言的全部表达能力,包括控制流。DiffSharp允许使用嵌套的正向和反向AD组合微分,这意味着您可以计算精确的高阶导数或内部利用微分的微分函数。有关可用操作的列表,请参见API概述页。该图书馆由Atılım GüneşBaydin和Barak A.Pearlmutter开发,主要用于机器学习的研究应用,这是他们在爱尔兰国立大学梅诺思汉密尔顿研究所大脑和计算实验室工作的一部分。DiffSharp是用F语言实现的,可以从C语言和运行在Mono上的其他语言使用。网络核心,或。Net框架,面向64位平台。它在Linux和Windows上进行了测试。我们正在研究与其他语言的接口/端口。


zbMATH中的参考文献(参考文献95篇文章)

显示第1到第20个结果,共95个。
按年份排序(引用)
  1. 白、金帅;周英;马玉伟;郑孝国;詹海飞;拉特纳亚卡,查理特;苏瑞特,埃米莉;顾元通:流体力学建模的一般神经粒子方法(2022)
  2. 比洛,亚历克斯;Popovych,Roman O.:球体浅水方程的物理信息神经网络(2022)
  3. 布雷马,I。;格里亚,V。;萨恩兹,J.A。;库里安,S。;Francois,M.:使用机器学习动态校准微分方程,并应用于湍流模型(2022年)
  4. 福赫,一月。;Bouklas,Nikolaos:通过概率机器学习和空间填充采样研究基于物理信息的各向同性和各向异性本构模型(2022)
  5. 高、汉;扎尔,马修J。;王建勋:物理信息图神经伽辽金网络:求解偏微分方程正、反问题的统一框架(2022)
  6. 格拉皮格里亚,Geovani N。;Stella,Gabriel F.D.:一种无需函数评估的自适应信赖域方法(2022)
  7. 格林,维克多;海因莱因,亚历山大;克劳恩,阿克塞尔;兰瑟,马丁;韦伯,詹妮:用物理信息神经网络估计数学流行病学中SIR和SEIR模型的时间依赖性接触率(2022)
  8. 李京石;陈、宋;王丽金;曹燕钊:不确定条件下量子控制的辛神经网络算法(2022)
  9. 李,龙;Yang,Chang:APFOS网络:具有深神经网络的各向异性椭圆方程的渐近保持格式(2022)
  10. 林顺宁;陈勇:基于守恒量的两阶段物理信息神经网络方法及其在局域波解中的应用(2022)
  11. 刘玉杰;Yang,Chao:VPVnet:简化规则下Stokes方程的速度-压力-涡度神经网络方法(2022)
  12. 李颖;周、左家;Ying,Shihui:DeLISA:求解偏微分方程的基于深度学习的迭代方案逼近(2022)
  13. 无光泽,红色;Ghosh,Susanta:为Allen-Cahn和Cahn-Hilliard方程训练物理信息神经网络的新序列方法(2022)
  14. 阮,龙;瑞西,马齐亚尔;Seshaiyer,Padmanabhan:研究涉及人类和人类病原体相互作用的COVID-19动力学的建模、分析和物理信息神经网络方法(2022)
  15. 彭伟琪;Chen,Yong:(N)-用Riemann-Hilbert方法和PINN算法求解非局部Hirota方程的双极点解(2022)
  16. 里维拉,乔恩A。;泰勒,杰米M。;欧米拉,安格尔J。;David Pardo:使用神经网络求解偏微分方程的求积规则(2022)
  17. 塞义德艾哈迈迪,阿尔曼;安东尼·沃克斯:粒子流中力和力矩的神经网络建模的物理启发体系结构(2022)
  18. 徐凯来;Darve,Eric:基于稀疏观测的数据驱动逆建模的物理约束学习(2022)
  19. 你,杰里米;鲁,鲁;孟旭辉;Karniadakis,George Em:偏微分方程正逆问题的梯度增强物理神经网络(2022)
  20. 朱伟;哈黛米,韦斯利;沙兰皮迪斯。;Kevrekidis,Panayotis G.:在非线性动力学晶格中强化物理对称性的神经网络:以Ablowitz-Ladik模型为例(2022)