PhiFlow

Φ _{Le flux} est une boîte à outils de simulation open source conçue pour les applications d'optimisation et d'apprentissage automatique. Il est écrit principalement en python et peut être utilisé avec Numpy, Pytorch, Jax ou TensorFlow. L'intégration étroite avec ces cadres d'apprentissage automatique lui permet de tirer parti de leurs fonctionnalités de différenciation automatique, ce qui facilite la création de fonctions différenciables de bout en bout impliquant à la fois des modèles d'apprentissage et des simulations de physique.

Exemples

Grilles

Logo fluide	Flux de sillage	Cavité entraînée par le couvercle	Taylor-vert
Panache de fumée	Limites variables	Simulations parallèles	Déplacer des obstacles
Barre	Fluide multi-grilles	Kolmogorov d'ordre supérieur	Thermage
Équation des hamburgers	Diffusion de réaction	Flots	Julia Set

Engrener

Étape face à l'arrière	Thermage	Construction de maille	Flux de sillage

Particules

SPH	RETOURNER	Rationalisation	Terrain
Pesanteur	Billard	Cordes

Optimisation et réseaux

Descente de dégradé	Optimiser le lancer	Apprendre à lancer	Piv
Emballage fermé	Apprentissage φ (x, y)	Pression différenciable

Installation

Installation avec PIP sur Python 3.6 et supérieur:

$ pip install phiflow

Installez Pytorch, TensorFlow ou Jax en plus du _flux φ pour activer les capacités d'apprentissage automatique et l'exécution du GPU. Pour activer l'interface utilisateur Web, installez également Dash. Pour les performances optimales du GPU, vous pouvez compiler les opérateurs CUDA personnalisés, consultez les instructions d'installation détaillées.

Vous pouvez vérifier votre installation en exécutant

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

Cela vérifiera également les installations compatibles de Pytorch, Jax et Tensorflow.

Caractéristiques

• Intégration serrée avec Pytorch, Jax et Tensorflow pour une formation de réseau neuronal simple avec des simulations entièrement différenciables qui peuvent fonctionner sur le GPU.
• Opérations PDE intégrées en mettant l'accent sur les phénomènes fluides, permettant une formulation concise des simulations.
• Interface Web flexible et facile à utiliser avec des visualisations en direct et des contrôles interactifs qui peuvent affecter les simulations ou la formation en réseau à la volée.
• Conception vectorisée orientée objet pour le code expressif, facilité d'utilisation, flexibilité et extensibilité.
• Code de simulation réutilisable, indépendant du backend et de la dimensionnalité, c'est-à-dire que le même code peut exécuter une carte SIM de fluide 2D en utilisant Numpy et une SIM de fluide 3D sur le GPU à l'aide de TensorFlow ou Pytorch.
• Solveur d'équation linéaire de haut niveau avec génération automatisée de matrice clairsemée.

Documentation et tutoriels

Présentation de la documentation • ▶ Tutoriels YouTube • API • Demos • terrain de jeu

Φ-flow s'appuie sur la fonctionnalité du tenseur de φ _ml . Pour comprendre comment φ _{le flux} fonctionne, vérifiez d'abord les dimensions nommées et tapées.

Commencer

• Instructions d'installation
• Tenseurs
• Liquides
• Livre de cuisine

Physique

• Liquides à base de grille
• Schémas d'ordre supérieur

Champs

• Aperçu
• Grilles échelonnées
• Format d'E / O & Scene

Géométrie

• Aperçu
• Champs de distance signés
• Tours de hauteur

Tenseurs

• ▶ ️ Introduction vidéo
• Note de carnet d'introduction
• Exécution du GPU

Autre

• Φ _flux vers le mélangeur
• Quoi éviter: comment garder votre code compatible avec Pytorch, TensorFlow et Jax
• Visualisation héritée et tableau de bord et console
• Présentation de la physique héritée

? Citation

Veuillez utiliser la citation suivante:

 @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}
}

Publications

Nous téléchargerons bientôt un livre blanc. En attendant, veuillez citer le papier ICLR 2020.

• Apprendre à contrôler les PDE avec une physique différenciable, Philipp Holl, Vladlen Koltun, Nils Thuerey , ICLR 2020.
• Solver-in-the-Loop: Apprendre de la physique différenciable pour interagir avec les solvers itératifs PDE, Kiwon UM, Raymond Fei, Philipp Holl, Robert Brand, Nils Thuerey , Nererips 2020.
• Φ _Flow : un cadre de résolution de PDE différenciable pour l'apprentissage en profondeur via des simulations physiques, Nils Thuerey, Kiwon UM, Philipp Holl , Diffcvgp Workshop chez Nerips 2020.
• Deep Learning (livre) basé sur la physique, Nils Thuerey, Philipp Holl, Maximilian Mueller, Patrick Schnell, Felix Trost, Kiwon UM , Diffcvgp Workshop chez Neirips 2020.
• Gradient à moitié inverse pour l'apprentissage en profondeur physique, Patrick Schnell, Philipp Holl, Nils Thuerey , ICLR 2022.
• Apprentissage invariant de l'échelle par inversion physique, Philipp Holl, Vladlen Koltun, Nils Thuerey , Neirips 2022.

Benchmarks et ensembles de données

Φ _{Le flux} a été utilisé dans la création de divers ensembles de données publics, tels que Pdebench et Pdearena.

Voir plus de packages qui utilisent φ _{le flux}

Historique des versions

L'historique de version répertorie tous les changements majeurs depuis la sortie. Les versions sont également répertoriées sur PYPI.

Contributions

Les contributions sont les bienvenues! Consultez ce document pour les directives.

Remerciements

Ce travail est étayé par la subvention de démarrage de l'ERC Realflow (STG-2015-637014) et le laboratoire Intel Intelligent Systems.