Sobre o projeto

scientific-computing-system (CDS) é uma plataforma de ciência computacional em Python puro, projetada para métodos numéricos, modelagem, validação, quantificação de incertezas e fluxos de trabalho científicos reproduzíveis. O projeto enfatiza legibilidade, portabilidade e inspecionabilidade em vez de desempenho bruto, tornando-o adequado para educação, prototipagem e ambientes onde dependências compiladas são indesejáveis. A linha de pacotes atual (2.0.0) mantém um núcleo com zero dependências em runtime, fornecendo adaptadores opcionais para bibliotecas científicas estabelecidas (NumPy, SciPy, statsmodels, scikit-learn, SymPy, Z3) para validação cruzada e solvers especializados. A arquitetura é organizada em cinco camadas: compute (quântica, sinais, matemática, EDO/EDP, integração), analysis (estatística, probabilidade, ML, modelagem, sensibilidade), assurance (validação, incerteza, unidades, proveniência), orchestration (fluxo de trabalho, ferramentas opcionais) e data (análise de dados, I/O de streaming, conhecimento). As principais capacidades incluem: - Computação quântica: circuitos de um e múltiplos qubits, estados Bell/GHZ, utilitários de emaranhamento - Processamento de sinais: DFT/FFT, convolução, filtros, STFT, operações de wavelets - Métodos numéricos: álgebra linear, decomposições, quadratura, solvers de EDO rígidos e simpléticos - Otimização: métodos de gradiente/Newton/Adam, Nelder-Mead, recozimento simulado, busca com restrições - Estatística e probabilidade: inferência, regressão, testes estatísticos, distribuições, utilitários bayesianos - Aprendizado de máquina: estimadores clássicos, PCA, k-means, kNN, pré-processamento, validação - Domínios científicos: constantes físicas, auxiliares de genética, fractais, teoria da informação - Análise de dados: análise tabular, normalização, visualização, I/O de streaming com HDF5/NetCDF opcionais - Garantia científica: análise dimensional, propagação de incertezas, análise de sensibilidade, validação de métodos cruzados, rastreamento de proveniência, orquestração de fluxo de trabalho com aprovação A plataforma se distingue por separar os resultados computados das evidências que os sustentam, permitindo fluxos de trabalho científicos inspecionáveis, reproduzíveis e falseáveis. Os perfis de instalação variam do núcleo em Python puro a backends científicos completos, I/O de dados de pesquisa, plotagem e suporte a dashboards.