منصوبے کے بارے میں

Opifex ایک سائنسی مشین لرننگ فریم ورک ہے جو JAX اور Flax NNX پر مقامی طور پر بنایا گیا ہے۔ یہ فی الحال ایک تحقیقی پیش نظارہ ہے جو تیز رفتار تبدیلی کے تحت ہے، اور v1.0 سے پہلے غیر مستحکم APIs کی توقع ہے۔ README میں ظاہر کردہ اہم صلاحیتیں: - نیورل آپریٹرز: 20 رجسٹرڈ آرکیٹیکچرز بشمول FNO، DeepONet، PINO، TFNO، UFNO، SFNO، UNO، GINO، MGNO، WNO، GNO، اور مختلف اقسام، جو مرکزی آپریٹر رجسٹری کے ذریعے قابل رسائی ہیں۔ - فزکس سے آگاہ نیورل نیٹ ورکس: معیاری PINNs کے علاوہ ڈومین ڈیکمپوزیشن طریقے (FBPINN، XPINN، CPINN)۔ - ایٹومسٹک پوٹینشلز: E(3)-مساوی ماڈلز (SchNet، PaiNN، NequIP) MACE طرز کی اعلیٰ باڈی آرڈر سپورٹ، توانائی/قوتیں/تناؤ ہیڈز، اور ASE کیلکولیٹر انٹرفیس کے ساتھ۔ - کوانٹم کیمسٹری: قابل تفریق Kohn-Sham DFT، نیورل ایکسچینج-کوریلیشن فنکشنلز، تغیراتی مونٹی کارلو، اور مساوی ہیملٹونین پیش گوئی۔ - مساوات کی دریافت: SINDy اور اس کے ensemble، weak، اور Bayesian مختلف اقسام ڈیٹا سے حکمرانی مساوات حاصل کرنے کے لیے۔ - غیر یقینی کی مقدار: conformal پیش گوئی، Gaussian عمل، Bayesian quadrature، simulation-based inference، اور اڈاپٹر سوئٹ (ensembles، SNGP، evidential)۔ - فیلڈ آپریشنز: JAX-مقامی تفریقی آپریٹرز، advection، اور ساختہ گرڈز پر پریشر پروجیکشن۔ - ڈیٹا لوڈنگ: PDEBench tensors اور VTK غیر ساختہ میشز کے لیے پائپ لائنز۔ - تربیتی ٹولز: NTK تجزیہ، GradNorm نقصان توازن، انکولی نمونہ لینا، اور میٹا-آپٹیمائزیشن (MAML/Reptile)۔ پروجیکٹ کو Python 3.12+ کی ضرورت ہے اور یہ PyPI سے انسٹال کیا جا سکتا ہے۔ اس میں 59 کام کرنے والی مثالیں شامل ہیں اور یہ MIT لائسنس یافتہ ہے۔ README واضح طور پر اس مرحلے پر پیداواری استعمال کے خلاف خبردار کرتا ہے۔