PhiFlow

Φ _Flow ist ein Open-Source-Simulations-Toolkit, das für die Optimierung und maschinellen Lernanwendungen erstellt wurde. Es ist hauptsächlich in Python geschrieben und kann mit Numpy, Pytorch, Jax oder Tensorflow verwendet werden. Die enge Integration in diese Rahmenbedingungen für maschinelles Lernen ermöglicht es ihm, ihre automatische Differenzierungsfunktionalität zu nutzen und es einfach zu erstellen, End-to-End-differenzierbare Funktionen zu erstellen, die sowohl Lernmodelle als auch Physiksimulationen einbeziehen.

Beispiele

Gitter

Fluid -Logo	Wake Flow	Deckelhöhle	Taylor-Green
Rauchwolke	Variable Grenzen	Parallelsimulationen	Hindernisse bewegende
Rotierende Balken	Multi-Grid-Flüssigkeit	Kolmogorov höherer Ordnung	Wärmefluss
Burger -Gleichung	Reaktionsdiffusion	Wellen	Julia Set

Netz

Rückwärts gerichteter Schritt	Wärmefluss	Maschenkonstruktion	Wake Flow

Partikel

Sph	Flip	Stromlinien	Terrain
Schwerkraft	Billard	Seile

Optimierung & Netzwerke

Gradientenabstieg	Wurf optimieren	Zu werfen lernen	Piv
Verpackung schließen	Lernen φ (x, y)	Differenzierbarer Druck

Installation

Installation mit PIP auf Python 3.6 und höher:

$ pip install phiflow

Installieren Sie Pytorch, Tensorflow oder JAX zusätzlich zu _φfluss, um maschinelle Lernfunktionen und GPU -Ausführung zu ermöglichen. Um die Web -Benutzeroberfläche zu aktivieren, installieren Sie auch Dash. Für eine optimale GPU -Leistung können Sie die benutzerdefinierten CUDA -Operatoren kompilieren, siehe die detaillierten Installationsanweisungen.

Sie können Ihre Installation durch Ausführen überprüfen

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

Dies wird auch nach kompatiblen Installationen von Pytorch-, Jax- und Tensorflow -Installationen suchen.

Merkmale

• Enge Integration in Pytorch, Jax und Tensorflow für ein einfaches Training für neuronale Netzwerke mit vollständig differenzierbaren Simulationen, die auf der GPU ausgeführt werden können.
• Eingebaute PDE-Operationen mit Fokus auf Flüssigkeitsphänomene, die eine prägnante Formulierung von Simulationen ermöglichen.
• Flexible, benutzerfreundliche Weboberfläche mit Live-Visualisierungen und interaktiven Steuerelementen, die sich im laufenden Fliegen auf Simulationen oder das Netzwerktraining auswirken können.
• Objektorientiertes, vektorisiertes Design für Ausdruckscode, Benutzerfreundlichkeit, Flexibilität und Erweiterbarkeit.
• Der wiederverwendbare Simulationscode, unabhängig von Backend und Dimensionalität, dh genau der gleiche Code kann eine 2D -Fluid -SIM unter Verwendung von Numpy und einer 3D -Flüssigkeits -SIM auf der GPU unter Verwendung von TensorFlow oder Pytorch ausführen.
• Hochrangiger linearer Gleichungslöser mit automatisierter spärlicher Matrixgenerierung.

Dokumentation und Tutorials

Dokumentationsübersicht • ▶ YouTube -Tutorials • API • Demos • Spielplatz

Φ-Flow baut auf der Tensorfunktion von φ _ml auf. Um zu verstehen, wie _φfluss funktioniert, überprüfen Sie zuerst benannte und typisierte Abmessungen.

Erste Schritte

• Installationsanweisungen
• Tensoren
• Flüssigkeiten
• Kochbuch

Physik

• Gitterbasierte Flüssigkeiten
• Schemata höherer Ordnung

Felder

• Überblick
• Gestaffelte Gitter
• I/O & Szenenformat

Geometrie

• Überblick
• Signierte Entfernungsfelder
• Höhenmaps

Tensoren

• ▶ ️ Einführung Video
• Einführung Notizbuch
• GPU -Ausführung

Andere

• Φ _fließen zum Mixer
• Was zu vermeiden ist: Wie Sie Ihren Code mit Pytorch, TensorFlow und Jax kompatibel halten können
• Legacy Visualisierung & Dash & Konsole
• Legacy Physics Übersicht

? Zitat

Bitte verwenden Sie das folgende Zitat:

 @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}
}

Veröffentlichungen

Wir werden bald einen Whitepaper hochladen. In der Zwischenzeit zitieren bitte das ICLR 2020 -Papier.

• Lernen, PDEs mit differenzierbarer Physik zu kontrollieren, Philipp Holl, Vladlen Koltun, Nils Thuerey , ICLR 2020.
• Solver-in-the-Loop: Lernen aus differenzierbarer Physik, um mit iterativen PDE-Lösern zu interagieren, Kiwon UM, Raymond Fei, Philipp Holl, Robert Brand, Nils Thuerey , Neurips 2020.
• Φ _Fluss : Ein differenzierbares PDE -Lösungsrahmen für tiefes Lernen über physikalische Simulationen, NILS Thuerey, Kiwon UM, Philipp Holl , DiffcVGP -Workshop bei Neurips 2020.
• Physikbasierte Deep Learning (Buch), Nils Thuerey, Philipp Holl, Maximilian Mueller, Patrick Schnell, Felix Trost, Kiwon UM , Diffcvgp-Workshop bei Neurips 2020.
• Halbverstärker für physisches tiefes Lernen, Patrick Schnell, Philipp Holl, Nils Thuerey , ICLR 2022.
• Skala-invariante Lernen durch Physikinversion, Philipp Holl, Vladlen Koltun, Nils Thuerey , Neurips 2022.

Benchmarks & Datensätze

_Φfluss wurde bei der Erstellung verschiedener öffentlicher Datensätze wie Pdebch und Pdearena verwendet.

Weitere Pakete finden Sie in Paketen, die _φfluss verwenden

Versionsgeschichte

Der Versionsverlauf listet alle wichtigen Änderungen seit der Veröffentlichung auf. Die Veröffentlichungen sind auch auf PYPI aufgeführt.

Beiträge

Beiträge sind willkommen! In diesem Dokument finden Sie Richtlinien.

Anerkennung

Diese Arbeit wird vom ERC-Startgut-Realflow (STG-2015-637014) und dem Intel Intelligent Systems Lab unterstützt.