smt

La boîte à outils de modélisation de substitution (SMT) est un package Python qui contient une collection de méthodes de modélisation de substitution, de techniques d'échantillonnage et de fonctions d'analyse comparative. Ce package fournit une bibliothèque de modèles de substitution qui est simple à utiliser et facilite la mise en œuvre de méthodes supplémentaires.

SMT est différent des bibliothèques de modélisation de substitution existantes en raison de son accent sur les dérivés, y compris des dérivés de formation utilisés pour la modélisation améliorée par le gradient, les dérivés de prédiction et les dérivés en ce qui concerne les données de formation.

Il comprend également de nouveaux modèles de substitution qui ne sont pas disponibles ailleurs: le krigeage par des carrés de lest partiel réduction et l'interpolation de la spline minimisant l'énergie. SMT est documenté à l'aide d'outils personnalisés pour intégrer du code testé automatiquement et des tracés générés par dynamique pour produire des guides utilisateur de haute qualité avec un minimum d'efforts de contributeurs.

SMT est distribué sous la nouvelle licence BSD.

Pour citer SMT 2.0: P. Save et R. Lafage et N. Bartoli et Y. Diouane et JH Bussemaker et T. Lefebvre et Jt Hwang et J. Morlier et Jrra Martins. SMT 2.0: une boîte à outils de modélisation de substitution en mettant l'accent sur les variables hiérarchiques et mixtes processus gaussiens. Advances in Engineering Software, 2024.

@article{saves2024smt,
         author = {P. Saves and R. Lafage and N. Bartoli and Y. Diouane and J. Bussemaker and T. Lefebvre and J. T. Hwang and J. Morlier and J. R. R. A. Martins},
         title = {{SMT 2.0: A} Surrogate Modeling Toolbox with a focus on Hierarchical and Mixed Variables Gaussian Processes},
         journal = {Advances in Engineering Sofware},
         year = {2024},
         volume = {188}, 
         pages = {103571},
         doi = {https://doi.org/10.1016/j.advengsoft.2023.103571}}

Pour citer le héritage SMT: Ma Bouhlel et Jt Hwang et N. Bartoli et R. Lafage et J. Morlier et Jrra Martins. Un cadre de modélisation de substitution Python avec des dérivés. Advances in Engineering Software, 2019.

@article{SMT2019,
        Author = {Mohamed Amine Bouhlel and John T. Hwang and Nathalie Bartoli and Rémi Lafage and Joseph Morlier and Joaquim R. R. A. Martins},
        Journal = {Advances in Engineering Software},
        Title = {A Python surrogate modeling framework with derivatives},
        pages = {102662},
        issn = {0965-9978},
        doi = {https://doi.org/10.1016/j.advengsoft.2019.03.005},
        Year = {2019}}

Packages requis

SMT dépend des modules suivants: Numpy, Scipy, Scikit-Learn, PyDoe3 et Cython.

Installation

Si vous souhaitez installer la dernière version

pip install smt

Ou bien si vous souhaitez installer à partir de la branche maîtresse actuelle

pip install git+https://github.com/SMTOrg/smt.git@master

Usage

Pour des exemples démontrant comment utiliser SMT, vous pouvez jeter un œil aux cahiers de tutoriel ou accéder au dossier «SMT / Exemples».

Documentation

Documentation de la boîte à outils de modélisation de substitution.

Contributif

Pour contribuer à SMT, référez-vous à la section contributive de la documentation.