$\xi$-torch：可微分科学计算库
机器学习
2020-10-06 v1 计算物理
机器学习
摘要
物理信息学习已被证明比无物理先验的学习具有更好的泛化能力。然而，训练物理信息深度神经网络需要将物理模拟的某些方面以可微分方式编写。遗憾的是，物理模拟中常用的一些操作和泛函较为分散、难以集成，且缺乏物理模拟所需的高阶导数。本工作中，我们提出 -torch，一个用于科学模拟的可微分泛函库。示例泛函包括求根器和初值问题求解器等。-torch 中泛函的梯度基于其解析表达式编写，以提升数值稳定性并降低内存需求。-torch 还提供现有包中少有的泛函的二阶及更高阶导数。我们展示了该库在物理模拟参数优化中的两个应用。该库及本工作所有测试用例可见于 https://github.com/xitorch/xitorch/，文档位于 https://xitorch.readthedocs.io。
引用
@article{arxiv.2010.01921,
title = {$\xi$-torch: differentiable scientific computing library},
author = {Muhammad F. Kasim and Sam M. Vinko},
journal= {arXiv preprint arXiv:2010.01921},
year = {2020}
}