Repolode
提交项目
pnnl

pnnl/neuromancer

基于 PyTorch 的可微编程库，用于参数化约束优化、物理信息系统辨识和参数化模型预测控制。

在 GitHub 查看官网
Star
1,383
Fork
185
未关闭 Issue
16
最近提交
4小时前

这是什么？

NeuroMANCER 是一个基于 PyTorch 的可微编程库，用于学习参数化约束优化问题的解、构建融合物理知识的动态系统模型，以及学习控制策略。用户可以把神经网络与科学计算结合起来，将领域方程、约束和先验知识直接嵌入训练过程。

库提供符号化编程接口，用于定义变量、约束和目标函数，并通过 Node 和 System 等抽象组合神经模块与动力学模型。支持的方法包括神经 ODE、Koopman 算子、SINDy、Kolmogorov-Arnold 网络、函数编码器，以及 DeepONet、傅里叶神经算子等神经算子，还可用于求解 PDE 的物理信息神经网络。控制方面包含可微预测控制（DPC）和用于安全约束学习的可微凸优化层。

仓库附带大量可直接在 Colab 中运行的教程和领域示例，涵盖建筑热动力学与暖通空调控制等场景，并与 PyTorch Lightning 集成以支持 GPU 和多卡训练。项目可通过 pip 安装。

核心功能

  • 01符号化接口，可将物理方程、约束和目标函数嵌入学习问题。
  • 02通过基于罚函数的损失和可微凸优化层求解参数化约束优化问题。
  • 03使用神经 ODE、Koopman 算子、SINDy 和状态空间模型学习动力系统模型。
  • 04通过可微预测控制（DPC）学习非线性系统的控制策略。
  • 05提供物理信息神经网络以及 DeepONet、傅里叶神经算子等神经算子。
  • 06集成 PyTorch Lightning，支持 GPU 和多卡训练。

适用场景

  • 建筑能源管理，例如用 HVAC 系统学习室内温度控制。
  • 基于实测数据学习物理系统的代理模型，同时满足已知方程约束。
  • 在大量参数取值下快速求解同类约束优化问题。
  • 为扩散方程、流体等偏微分方程原型化物理信息神经网络。

快速上手

  1. 1

    从 PyPI 安装该库

    pip install neuromancer
  2. 2

    在 Python 中运行README中的约束优化示例（定义模型、节点和损失函数）

使用前须知

  • 许可证元数据显示为 NOASSERTION，使用前需在代码仓库中核实具体条款。
  • 大多数教程和示例基于 PyTorch，在没有 GPU 的 CPU 环境下运行可能较慢。

标签

#constrained-optimization#differentiable-programming#physics-informed-ml#model-predictive-control#system-identification#pytorch#neural-operators#control-systems#deep-learning#differentiable-control

常见问题

neuromancer 是什么？
基于 PyTorch 的可微编程库，用于参数化约束优化、物理信息系统辨识和参数化模型预测控制。 NeuroMANCER 是一个基于 PyTorch 的可微编程库，用于学习参数化约束优化问题的解、构建融合物理知识的动态系统模型，以及学习控制策略。用户可以把神经网络与科学计算结合起来，将领域方程、约束和先验知识直接嵌入训练过程。
neuromancer 可以免费使用吗？用的什么许可证？
neuromancer 以 Other 许可证开源。用于商业产品前，请先确认许可证条款。
neuromancer 还在维护吗？
活跃维护中。neuromancer 最近一次提交是在 2026年10月22日。
neuromancer 适合用来做什么？
建筑能源管理，例如用 HVAC 系统学习室内温度控制。 基于实测数据学习物理系统的代理模型，同时满足已知方程约束。 在大量参数取值下快速求解同类约束优化问题。 为扩散方程、流体等偏微分方程原型化物理信息神经网络。
neuromancer 怎么安装和运行？
从 PyPI 安装该库: pip install neuromancer 在 Python 中运行README中的约束优化示例（定义模型、节点和损失函数）
在哪里获取 neuromancer？
源代码和安装说明在 GitHub 上：https://github.com/pnnl/neuromancer

概要由 AI 根据项目 README 生成；GitHub 数据每日更新。

相关项目