À propos du projet

scientific-computing-system (CDS) est une plateforme de calcul scientifique en Python pur, conçue pour les méthodes numériques, la modélisation, la validation, la quantification d'incertitude et les flux de travail scientifiques reproductibles. Le projet privilégie la lisibilité, la portabilité et l'inspectabilité plutôt que la performance brute, ce qui le rend adapté à l'éducation, au prototypage et aux environnements où les dépendances compilées sont indésirables. La version actuelle du paquet (2.0.0) maintient un cœur sans dépendance d'exécution tout en fournissant des adaptateurs optionnels vers des bibliothèques scientifiques établies (NumPy, SciPy, statsmodels, scikit-learn, SymPy, Z3) pour la validation croisée et les solveurs spécialisés. L'architecture est organisée en cinq couches : calcul (quantique, signaux, mathématiques, équations différentielles ordinaires/partielles, intégration), analyse (statistiques, probabilités, apprentissage automatique, modélisation, sensibilité), assurance (validation, incertitude, unités, provenance), orchestration (flux de travail, outils optionnels) et données (analyse de données, entrées/sorties en flux, connaissances). Les capacités clés incluent : - Calcul quantique : circuits à un et plusieurs qubits, états Bell/GHZ, utilitaires d'intrication - Traitement du signal : DFT/FFT, convolution, filtres, STFT, opérations d'ondelettes - Méthodes numériques : algèbre linéaire, décompositions, quadrature, solveurs d'équations différentielles ordinaires raides et symplectiques - Optimisation : méthodes de gradient/Newton/Adam, Nelder-Mead, recuit simulé, recherche sous contraintes - Statistiques et probabilités : inférence, régression, tests statistiques, distributions, utilitaires bayésiens - Apprentissage automatique : estimateurs classiques, ACP, k-moyennes, kNN, prétraitement, validation - Domaines scientifiques : constantes physiques, aides à la génétique, fractales, théorie de l'information - Analyse de données : analyse tabulaire, normalisation, visualisation, entrées/sorties en flux avec HDF5/NetCDF optionnels - Assurance scientifique : analyse dimensionnelle, propagation d'incertitude, analyse de sensibilité, validation croisée des méthodes, suivi de provenance, orchestration de flux de travail avec approbation La plateforme se distingue en séparant les résultats calculés des preuves qui les soutiennent, permettant des flux de travail scientifiques inspectables, reproductibles et falsifiables. Les profils d'installation vont du cœur en Python pur aux backends scientifiques complets, aux entrées/sorties de données de recherche, au traçage et au support de tableaux de bord.