PhiFlow Download - PhiFlow Código Fonte Download

PhiFlow

Outro código-fonte

3.1.0

Baixar

Φ _Fluxo é um kit de ferramentas de simulação de código aberto criado para aplicações de otimização e aprendizado de máquina. Está escrito principalmente em Python e pode ser usado com Numpy, Pytorch, Jax ou Tensorflow. A estreita integração com essas estruturas de aprendizado de máquina permite aproveitar sua funcionalidade de diferenciação automática, facilitando a criação de funções diferenciáveis de ponta a ponta envolvendo modelos de aprendizado e simulações de física.

Exemplos

Grades


Logotipo fluido	Fluxo de despertar	Cavidade acionada pela tampa	Taylor-Green

Pluma de fumaça	Limites variáveis	Simulações paralelas	Movendo obstáculos

Barra rotativa	Fluido multi-grade	Kolmogorov de ordem superior	Fluxo de calor

Equação de Burgers	Reação-difusão	Ondas	Julia Set

Malha


Passo voltado para trás	Fluxo de calor	Construção de malha	Fluxo de despertar

Partículas


SPH	VIRAR	Simplificações	Terreno

Gravidade	Bilhar	Cordas

Otimização e redes


Descendência de gradiente	Otimize o arremesso	Aprendendo a jogar	Piv

Feche a embalagem	Aprendendo φ (x, y)	Pressão diferenciável

Instalação

Instalação com PIP no Python 3.6 e acima:

$ pip install phiflow

Instale Pytorch, Tensorflow ou Jax, além do _fluxo φ para ativar os recursos de aprendizado de máquina e a execução da GPU. Para ativar a interface do usuário da web, também instale o DASH. Para o desempenho ideal da GPU, você pode compilar os operadores CUDA personalizados, consulte as instruções detalhadas de instalação.

Você pode verificar sua instalação executando

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

Isso verificará as instalações compatíveis com Pytorch, Jax e Tensorflow.

Características

Integração rígida com Pytorch, Jax e Tensorflow para treinamento de rede neural direta com simulações totalmente diferenciáveis que podem ser executadas na GPU.
Operações de PDE embutidas com foco nos fenômenos fluidos, permitindo uma formulação concisa de simulações.
Interface da Web flexível e fácil de usar, com visualizações ao vivo e controles interativos que podem afetar simulações ou treinamento em rede em tempo real.
Projeto vetorizado, orientado a objetos, para código expressivo, facilidade de uso, flexibilidade e extensibilidade.
Código de simulação reutilizável, independente do back -end e da dimensionalidade, ou seja, o mesmo código pode executar um SIM de fluido 2D usando o Numpy e um SIM de fluido 3D na GPU usando Tensorflow ou Pytorch.
Solucionador de equações lineares de alto nível com geração de matriz esparsa automatizada.

Documentação e tutoriais

Visão geral da documentação • ▶ Tutoriais do YouTube • API • DEMOS • Playground

Φ-fluxo se baseia na funcionalidade do tensor a partir de φ _ml . Para entender como _{o fluxo} φ funciona, verifique as dimensões nomeadas e digitadas primeiro.

Começando

Instruções de instalação
Tensores
Fluidos
Livro de receitas

Física

Fluidos à base de grade
Esquemas de ordem superior

Campos

Visão geral
Grades escalonadas
E/S. Formato de cena

Geometria

Visão geral
Campos de distância assinados
HightMaps

Tensores

▶ ️ Introdução Vídeo
Notebook de introdução
Execução da GPU

Outro

Φ _fluxo para o liquidificador
O que evitar: como manter seu código compatível com Pytorch, Tensorflow e Jax
Visualização Legada e Dash & Console
Visão geral da física herdada

? Citação

Por favor, use a seguinte citação:

 @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}
}

Publicações

Em breve enviaremos um whitepaper. Enquanto isso, cite o papel ICLR 2020.

Aprendendo a controlar os PDEs com física diferenciável, Philipp Holl, Vladlen Koltun, Nils Thuerey , ICLR 2020.
Solver-in-the-loop: Aprendendo com a física diferenciável para interagir com os solveres de PDE iterativos, Kiwon UM, Raymond Fei, Philipp Holl, Robert Brand, Nils Thuerey , Neurips 2020.
Φ _Fluxo : Uma estrutura de solução de PDE diferenciável para aprendizado profundo por meio de simulações físicas, Nils Thuerey, Kiwon UM, Philipp Holl , Workshop DiffcvGP na Neurips 2020.
Deep Learning (Book) baseado em física, Nils Thuerey, Philipp Holl, Maximilian Mueller, Patrick Schnell, Felix Trost, Kiwon UM , Workshop DiffcvGP no Neurips 2020.
Gradientes meio-infantis para aprendizado físico profundo, Patrick Schnell, Philipp Holl, Nils Thuerey , ICLR 2022.
Aprendizagem invariante em escala por inversão de física, Philipp Holl, Vladlen Koltun, Nils Thuerey , Neurips 2022.