تنزيل PhiFlow - تنزيل رمز المصدر PhiFlow

PhiFlow

شفرة المصدر الأخرى

3.1.0

تنزيل

φ _Flow عبارة عن مجموعة أدوات محاكاة مفتوحة المصدر تم تصميمها لتطبيقات التحسين والتعلم الآلي. إنه مكتوب في الغالب في بيثون ويمكن استخدامه مع numpy أو pytorch أو jax أو tensorflow. يتيح التكامل الوثيق مع أطر التعلم الآلي هذه الاستفادة من وظائف التمايز التلقائي ، مما يجعل من السهل بناء وظائف قابلة للتمييز شاملة تتضمن كل من نماذج التعلم ومحاكاة الفيزياء.

أمثلة

شبكات


شعار السائل	تدفق الاستيقاظ	تجويف مدفوع بالغطاء	تايلور أخمرين

عمود الدخان	حدود متغيرة	المحاكاة الموازية	نقل العقبات

شريط الدوار	السائل متعدد الشبكة	كولموجوروف المرتفع	تدفق الحرارة

معادلة البرغر	انتشار رد الفعل	الأمواج	مجموعة جوليا

شبكة


خطوة مواجهة للخلف	تدفق الحرارة	البناء شبكة	تدفق الاستيقاظ

الجزيئات


SPH	نقف	خطوط التبسيط	التضاريس

جاذبية	البلياردو	الحبال

التحسين والشبكات


النسب التدرج	تحسين رمي	تعلم رمي	PIV

إغلاق التعبئة	التعلم φ (x ، y)	ضغط قابل للتمييز

تثبيت

التثبيت مع PIP على Python 3.6 وما فوق:

$ pip install phiflow

قم بتثبيت Pytorch أو TensorFlow أو Jax بالإضافة إلى _التدفق لتمكين قدرات التعلم الآلي وتنفيذ GPU. لتمكين واجهة المستخدم على الويب ، قم أيضًا بتثبيت Dash. للحصول على أداء GPU الأمثل ، يمكنك تجميع مشغلي CUDA المخصصين ، راجع تعليمات التثبيت التفصيلية.

يمكنك التحقق من التثبيت عن طريق التشغيل

$ python3 -c " import phi; phi.verify() "

سيؤدي ذلك إلى التحقق من تركيبات Pytorch و Jax و TensorFlow المتوافقة أيضًا.

سمات

التكامل الضيق مع Pytorch و Jax و TensorFlow لتدريب الشبكات العصبية المباشرة مع عمليات محاكاة يمكن التفافل بالكامل والتي يمكن أن تعمل على وحدة معالجة الرسومات.
عمليات PDE مدمجة مع التركيز على ظواهر السوائل ، مما يسمح بصياغة موجزة للمحاكاة.
واجهة ويب مرنة وسهلة الاستخدام تتميز بتصورات حية وعناصر تحكم تفاعلية يمكن أن تؤثر على عمليات المحاكاة أو تدريب الشبكة أثناء الطيران.
التصميم الموجهة للكائنات ، الموجه للرمز التعبيري ، وسهولة الاستخدام ، والمرونة والتوسيع.
رمز المحاكاة القابل لإعادة الاستخدام ، بغض النظر عن الواجهة الخلفية والأبعاد ، أي أن نفس الرمز بالضبط يمكن أن يعمل على SIM سائل ثنائي الأبعاد باستخدام Numpy و SIM ثلاثي الأبعاد على GPU باستخدام TensorFlow أو Pytorch.
حلال المعادلة الخطي عالية المستوى مع توليد المصفوفة المتفرق الآلي.

الوثائق والدروس

نظرة عامة على الوثائق • ▶ دروس يوتيوب • API • العروض التوضيحية • الملعب

φ-flow يبني على وظيفة الموتر من φ _ml . لفهم كيفية عمل _flow ، تحقق من الأبعاد المسمى والمكتب أولاً.

ابدء

تعليمات التثبيت
التوتر
السوائل
كتاب الطبخ

الفيزياء

السوائل القائمة على الشبكة
مخططات ترتيب أعلى

الحقول

ملخص
شبكات متداخلة
تنسيق I/O & Scene

الهندسة

ملخص
حقول المسافة الموقعة
خرائط الارتفاع

التوتر

▶ مقدمة الفيديو
مقدمة دفتر
تنفيذ GPU

آخر

φ _التدفق إلى الخلاط
ماذا يجب تجنبه: كيفية الحفاظ على الكود الخاص بك متوافقًا مع Pytorch و TensorFlow و Jax
التصور القديم والرقم والوحدة وحدة التحكم
نظرة عامة على الفيزياء القديمة

؟ اقتباس

الرجاء استخدام الاقتباس التالي:

 @inproceedings{holl2024phiflow,
  title={${Phi}_{text{Flow}}$ ({PhiFlow}): Differentiable Simulations for PyTorch, TensorFlow and Jax},
  author={Holl, Philipp and Thuerey, Nils},
  booktitle={International Conference on Machine Learning},
  year={2024},
  organization={PMLR}
}

المنشورات

سنقوم بتحميل ورقة بيضاء ، قريبًا. في غضون ذلك ، يرجى الاستشهاد بورقة ICLR 2020.

تعلم التحكم في PDEs مع الفيزياء القابلة للتمييز ، Philipp Holl ، Vladlen Koltun ، Nils Thuerey ، ICLR 2020.
Solver-in-the-loop: التعلم من الفيزياء القابلة للتمييز للتفاعل مع أحذية PDE التكرارية ، Kiwon UM ، Raymond Fei ، Philipp Holl ، Robert Brand ، Nils Thuerey ، Neurips 2020.
Φ _التدفق : إطار حل PDE قابل للتمييز للتعلم العميق عبر المحاكاة البدنية ، NILS Thuerey ، Kiwon UM ، Philipp Holl ، DiffcvGP في Neurips 2020.
التعلم العميق القائم على الفيزياء (Book) ، Nils Thuerey ، Philipp Holl ، Maximilian Mueller ، Patrick Schnell ، Felix Trost ، Kiwon UM ، DiffcvGP Workshop at Neups 2020.
التدرجات نصف العكسية للتعلم العميق الجسدي ، باتريك شنيل ، فيليب هول ، نيلز ثويري ، ICLR 2022.
التعلم المنفص للمقياس عن طريق انعكاس الفيزياء ، فيليب هول ، فلادلن كولتون ، نيلز ثويري ، Neups 2022.