Awesome GitHub RepositoriesDifferentiable ODE Integrators

torchdiffeq es una librería de PyTorch para resolver EDO (ecuaciones diferenciales ordinarias), diseñada para resolver problemas de valor inicial y construir frameworks de redes neuronales ODE. Proporciona un integrador de EDO diferenciable que permite a los modelos de deep learning simular profundidad continua integrando funciones dinámicas a lo largo del tiempo. La librería cuenta con un calculador de gradientes mediante el método adjunto para una retropropagación eficiente en memoria. Al resolver un sistema adjunto aumentado hacia atrás en el tiempo, calcula los gradientes de los parámetros sin necesidad de almacenar cada estado intermedio del solver. El proyecto cubre la integración numérica con solvers de paso fijo y adaptativo, incorporando control de errores e interpolación polinómica de estados. También admite la gestión de eventos diferenciables para terminar los solvers cuando funciones escalares específicas se activan, propagando gradientes a través del tiempo del evento. El framework se utiliza en aplicaciones como flujos normalizadores continuos y la transformación de distribuciones de probabilidad mediante EDO aprendidas en tiempo continuo.

DifferentialEquations.jl es una biblioteca numérica integral diseñada para resolver ecuaciones diferenciales ordinarias, estocásticas, de retardo y algebraicas. Funciona como una suite de resolución de alto rendimiento que integra machine learning científico, programación probabilística y diferenciación automatizada en un framework unificado. Al aprovechar el despacho múltiple y la integración simbólico-numérica, la biblioteca proporciona un entorno flexible para el modelado matemático complejo y la simulación. El proyecto se distingue por su capacidad para cerrar la brecha entre el análisis numérico tradicional y las técnicas modernas de machine learning. Admite el entrenamiento de ecuaciones diferenciales universales, permitiendo a los usuarios incrustar redes neuronales directamente en simuladores científicos para aprender dinámicas desconocidas mientras mantienen restricciones físicas. Además, la biblioteca ofrece herramientas avanzadas de análisis de sensibilidad y estimación de parámetros, incluyendo métodos adjuntos e inferencia bayesiana, que permiten una calibración eficiente del modelo y el descubrimiento automatizado de ecuaciones gobernantes a partir de datos. La plataforma ofrece amplias capacidades para la computación de alto rendimiento, incluyendo paralelismo agnóstico al hardware que despacha simulaciones a través de CPUs, GPUs y clusters distribuidos. Incorpora una cuantificación rigurosa de la incertidumbre a través de aritmética de intervalos y propagación de Monte Carlo, asegurando una estimación de errores confiable en experimentos numéricos. Además, el sistema cuenta con rutinas de optimización sofisticadas, como la detección de dispersión basada en grafos y el cálculo de productos sin matrices, para acelerar el rendimiento en sistemas a gran escala.