opifex

Opifex é uma estrutura de aprendizado de máquina científica construída nativamente em JAX e Flax NNX. Atualmente é uma prévia de pesquisa em rápida iteração, com APIs instáveis previstas antes da v1.0. Principais capacidades evidenciadas no README: - Operadores Neurais: 20 arquiteturas registradas, incluindo FNO, DeepONet, PINO, TFNO, UFNO, SFNO, UNO, GINO, MGNO, WNO, GNO e variantes, acessíveis por meio de um registro central de operadores. - Redes Neurais Informadas pela Física: PINNs padrão mais métodos de decomposição de domínio (FBPINN, XPINN, CPINN). - Potenciais Atomísticos: modelos E(3)-equivariantes (SchNet, PaiNN, NequIP) com suporte a ordens de corpo superiores no estilo MACE, cabeças de energia/forças/tensão e uma interface de calculadora ASE. - Química Quântica: DFT de Kohn-Sham diferenciável, funcionais de troca-correlação neurais, Monte Carlo variacional e previsão de Hamiltoniano equivariante. - Descoberta de Equações: SINDy e suas variantes ensemble, weak e bayesiana para recuperar equações governantes a partir de dados. - Quantificação de Incerteza: previsão conformal, processos gaussianos, quadratura bayesiana, inferência baseada em simulação e suítes de adaptadores (ensembles, SNGP, evidencial). - Operações de Campo: operadores diferenciais nativos de JAX, advecção e projeção de pressão em grades estruturadas. - Carregamento de Dados: pipelines para tensores PDEBench e malhas não estruturadas VTK. - Ferramentas de Treinamento: análise NTK, balanceamento de perda GradNorm, amostragem adaptativa e meta-otimização (MAML/Reptile). O projeto requer Python 3.12+ e é instalável a partir do PyPI. Inclui 59 exemplos funcionais e é licenciado sob MIT. O README alerta explicitamente contra o uso em produção neste estágio.