Download PhiFlow - Unduh Kode Sumber PhiFlow

PhiFlow

Kode sumber lainnya

3.1.0

Unduh

Φ _Flow adalah toolkit simulasi sumber terbuka yang dibangun untuk aplikasi optimasi dan pembelajaran mesin. Ini ditulis sebagian besar dalam Python dan dapat digunakan dengan Numpy, Pytorch, Jax atau Tensorflow. Integrasi yang erat dengan kerangka pembelajaran mesin ini memungkinkannya untuk memanfaatkan fungsionalitas diferensiasi otomatis mereka, membuatnya mudah untuk membangun fungsi yang dapat dibedakan dari ujung ke ujung yang melibatkan model pembelajaran dan simulasi fisika.

Contoh

Kisi -kisi


Logo Cairan	Aliran Wake	Rongga yang digerakkan oleh tutup	Taylor-Green

Smoke Plume	Batasan variabel	Simulasi paralel	Hambatan bergerak

Bilah berputar	Cairan multi-grid	Kolmogorov tingkat tinggi	Aliran panas

Persamaan burger	Difusi reaksi	Ombak	Set Julia

Mesh


Langkah menghadap ke belakang	Aliran panas	Konstruksi mesh	Aliran Wake

Partikel


SPH	MEMBALIK	Perampingan	Medan

Gaya berat	Bilyar	Tali

Optimalisasi & Jaringan


Keturunan gradien	Optimalkan lemparan	Belajar melempar	Piv

Tutup pengepakan	Belajar φ (x, y)	Tekanan yang dapat dibedakan

Instalasi

Instalasi dengan PIP pada Python 3.6 dan di atas:

$ pip install phiflow

Pasang Pytorch, TensorFlow atau Jax selain φ _Flow untuk memungkinkan kemampuan pembelajaran mesin dan eksekusi GPU. Untuk mengaktifkan Web UI, juga instal Dash. Untuk kinerja GPU yang optimal, Anda dapat menyusun operator CUDA khusus, lihat instruksi instalasi terperinci.

Anda dapat memverifikasi instalasi Anda dengan menjalankan

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

Ini akan memeriksa instalasi Pytorch, Jax dan TensorFlow yang kompatibel juga.

Fitur

Integrasi yang ketat dengan Pytorch, Jax dan TensorFlow untuk pelatihan jaringan saraf langsung dengan simulasi yang dapat dibedakan sepenuhnya yang dapat berjalan pada GPU.
Operasi PDE bawaan dengan fokus pada fenomena fluida, memungkinkan untuk formulasi simulasi yang ringkas.
Antarmuka web yang fleksibel dan mudah digunakan yang menampilkan visualisasi langsung dan kontrol interaktif yang dapat memengaruhi simulasi atau pelatihan jaringan dengan cepat.
Desain yang berorientasi objek, di vektor untuk kode ekspresif, kemudahan penggunaan, fleksibilitas, dan ekstensibilitas.
Kode simulasi yang dapat digunakan kembali, terlepas dari backend dan dimensi, yaitu kode yang sama persis dapat menjalankan sim fluida 2D menggunakan numpy dan sim fluida 3D pada GPU menggunakan TensorFlow atau Pytorch.
Pemecah persamaan linier tingkat tinggi dengan generasi matriks jarang otomatis.

Dokumentasi dan tutorial

Tinjauan Dokumentasi • ▶ Tutorial YouTube • API • Demo • Taman Bermain

Φ-aliran dibangun di atas fungsi tensor dari φ _ml . Untuk memahami cara kerja _aliran φ, periksa dimensi yang dinamai dan diketik terlebih dahulu.

Memulai

Instruksi Instalasi
Tensor
Cairan
Buku masak

Fisika

Cairan berbasis grid
Skema tingkat tinggi

Bidang

Ringkasan
Kisi -kisi yang terhuyung -huyung
Format i/o & scene

Geometri

Ringkasan
Bidang jarak yang ditandatangani
Tinggi

Tensor

▶ ️ Video Pendahuluan
Pendahuluan Notebook
Eksekusi GPU

Lainnya

Φ _aliran ke blender
Apa yang harus dihindari: Bagaimana menjaga kode Anda tetap kompatibel dengan Pytorch, TensorFlow dan Jax
Visualisasi Legacy & Dash & Console
Tinjauan Fisika Legacy

? Kutipan

Harap gunakan kutipan berikut:

 @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}
}

Publikasi

Kami akan segera mengunggah whitepaper. Sementara itu, silakan kutip kertas ICLR 2020.

Belajar mengendalikan PDE dengan fisika yang dapat dibedakan, Philipp Holl, Vladlen Koltun, Nils Thuerey , ICLR 2020.
Solver-in-the-loop: Belajar dari fisika yang dapat dibedakan untuk berinteraksi dengan pemecah solver berulang, Kiwon um, Raymond Fei, Philipp Holl, Robert Brand, Nils Thuerey , Neurips 2020.
Φ _Flow : Kerangka pemecahan PDE yang dapat dibedakan untuk pembelajaran yang mendalam melalui simulasi fisik, Nils Thuerey, Kiwon um, Philipp Holl , Workshop DiffCVGP di Neurips 2020.
Deep Learning berbasis fisika (buku), Nils Thuerey, Philipp Holl, Maximilian Mueller, Patrick Schnell, Felix Trost, Kiwon UM , Workshop DiffCVGP di Neurips 2020.
Gradien setengah invers untuk pembelajaran mendalam fisik, Patrick Schnell, Philipp Holl, Nils Thuerey , ICLR 2022.
Pembelajaran skala-invarian oleh inversi fisika, Philipp Holl, Vladlen Koltun, Nils Thuerey , Neurips 2022.