Descargar PhiFlow - Descargar el código fuente PhiFlow

PhiFlow

Otro código fuente

3.1.0

Descargar

_{El flujo} φ es un conjunto de herramientas de simulación de código abierto creado para aplicaciones de optimización y aprendizaje automático. Está escrito principalmente en Python y se puede usar con Numpy, Pytorch, Jax o Tensorflow. La estrecha integración con estos marcos de aprendizaje automático le permite aprovechar su funcionalidad de diferenciación automática, lo que facilita la construcción de funciones diferenciables de extremo a extremo que involucren modelos de aprendizaje y simulaciones físicas.

Ejemplos

Rejillas


Logotipo de fluido	Flujo de estela	Cavidad impulsada por la tapa	Taylor-Green

Penacho de humo	Límites variables	Simulaciones paralelas	Obstáculos en movimiento

Barra giratoria	Líquido de múltiples grietas	Kolmogorov de orden superior	Flujo de calor

Ecuación de hamburguesas	Reacción-difusión	Ondas	Julia Set

Malla


Paso hacia atrás	Flujo de calor	Construcción de malla	Flujo de estela

Partículas


Sph	VOLTEAR	Líneas de corriente	Terreno

Gravedad	Billar	Cuerdas

Optimización y redes


Descenso de gradiente	Optimizar el tiro	Aprendiendo a tirar	Pivarse

Empaquetado cerrado	Aprendizaje φ (x, y)	Presión diferenciable

Instalación

Instalación con PIP en Python 3.6 y superior:

$ pip install phiflow

Instale Pytorch, TensorFlow o Jax además del _flujo φ para habilitar las capacidades de aprendizaje automático y la ejecución de GPU. Para habilitar la interfaz de usuario web, también instale Dash. Para un rendimiento óptimo de GPU, puede compilar los operadores CUDA personalizados, consulte las instrucciones de instalación detalladas.

Puede verificar su instalación ejecutando

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

Esto verificará las instalaciones compatibles de Pytorch, Jax y TensorFlow también.

Características

Integración estrecha con Pytorch, Jax y TensorFlow para un entrenamiento sencillo de la red neuronal con simulaciones totalmente diferenciables que pueden ejecutarse en la GPU.
Operaciones PDE incorporadas con fenómenos de fluido, lo que permite la formulación concisa de simulaciones.
Interfaz web flexible y fácil de usar con visualizaciones en vivo y controles interactivos que pueden afectar simulaciones o capacitación en red sobre la marcha.
Diseño vectorizado orientado a objetos para código expresivo, facilidad de uso, flexibilidad y extensibilidad.
Código de simulación reutilizable, independiente del backend y la dimensionalidad, es decir, el mismo código puede ejecutar un SIM de fluido 2D usando Numpy y un SIM de fluido 3D en la GPU usando TensorFlow o Pytorch.
Solucionador de ecuaciones lineales de alto nivel con generación automatizada de matriz dispersa.

Documentación y tutoriales

Descripción general de la documentación • ▶ Tutoriales de YouTube • API • Demos • Planeground

Φ-flujo se basa en la funcionalidad del tensor de φ _ml . Para comprender cómo funciona _{el flujo} φ, verifique primero las dimensiones nombradas y mecanografiadas.

Empezando

Instrucciones de instalación
Tensores
Fluidos
Libro de cocina

Física

Fluidos a base de cuadrícula
Esquemas de orden superior

Campos

Descripción general
Cuadrículas escalonadas
I/O y formato de escena

Geometría

Descripción general
Campos de distancia firmados
Mapas de altura

Tensores

▶ ️ Video de introducción
Notebook de introducción
Ejecución de GPU

Otro

Φ _flujo a la licuadora
Qué evitar: cómo mantener su código compatible con Pytorch, TensorFlow y Jax
Visualización heredada y tablero y consola
Descripción general de la física heredada

? Citación

Utilice la siguiente cita:

 @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}
}

Publicaciones

Subiremos un documento técnico, pronto. Mientras tanto, cita el documento ICLR 2020.

Aprendiendo a controlar PDE con física diferenciable, Philipp Holl, Vladlen Koltun, Nils Thuerey , ICLR 2020.
Solver-in-the-Loop: aprendiendo de una física diferenciable para interactuar con los solucionadores PDE iterativos, Kiwon UM, Raymond Fei, Philipp Holl, Robert Brand, Nils Thuerey , Neurips 2020.
Φ _Flow : un marco de resolución de PDE diferenciable para el aprendizaje profundo a través de simulaciones físicas, Nils Thuerey, Kiwon UM, Philipp Holl , Diffcvgp Workshop en Neurips 2020.
Deep Learning (Libro) basado en física, Nils Thuerey, Philipp Holl, Maximilian Mueller, Patrick Schnell, Felix Trost, Kiwon UM , Diffcvgp Workshop en Neurips 2020.
Gradientes a medias para el aprendizaje profundo físico, Patrick Schnell, Philipp Holl, Nils Thuerey , ICLR 2022.
Aprendizaje a la escala invariante por inversión física, Philipp Holl, Vladlen Koltun, Nils Thuerey , Neurips 2022.