論文の概要: pyforce-1.0.0: Python Framework for data-driven model Order Reduction of multi-physiCs problEms
- arxiv url: http://arxiv.org/abs/2605.18082v1
- Date: Mon, 18 May 2026 08:58:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.211566
- Title: pyforce-1.0.0: Python Framework for data-driven model Order Reduction of multi-physiCs problEms
- Title（参考訳）: pyforce-1.0.0: Python Framework for data-driven model Order Reduction of multi-physiCs problEms
- Authors: Stefano Riva, Yantao Luo, Carolina Introini, Antonio Cammi,
- Abstract要約: pyforceは、マルチ物理問題へのアプリケーションのためのデータ駆動リダクションオーダーモデリング技術を実装するPythonパッケージである。
このパッケージはROSE(Reduced Order Modelling with data-driven technique for multi-physics problEms)の一部である。
pyforceは、メッシュインポート、計算積分、結果の視覚化のバックエンドとしてpyvistaを使って完全に書き直された。
- 参考スコア（独自算出の注目度）: 0.2519906683279152
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: pyforce is a Python package implementing Data-Driven Reduced Order Modelling techniques for applications to multi-physics problems, mainly set in the Nuclear Engineering world. The package is part of the ROSE (Reduced Order modelling with data-driven techniques for multi-phySics problEms): mathematical algorithms aimed at reducing the complexity of multi-physics models (for nuclear reactors applications), at searching for optimal sensor positions and at integrating real measures to improve the knowledge on the physical systems. With respect to the previous original implementation based on dolfinx package (v0.6.0), version 1.0.0 of pyforce has been completely re-written using pyvista as backend for mesh importing, computing integrals, and visualisation of results; in addition, functions are stored as numpy arrays, improving the ease of use of the package. This choice allows to use pyforce with any software solver able to export results in VTK format.
- Abstract（参考訳）: pyforceはPythonパッケージで、主に原子力工学の世界を舞台とした多分野の問題に応用するためのデータ駆動リダクション・オーダー・モデリング技術を実装している。
ROSE (Reduced Order modelling with data-driven technique for multi-physics problEms) は、多物理モデルの複雑さを減らすことを目的とした数学的アルゴリズムである。
dolfinxパッケージ(v0.6.0)に基づく以前の実装に関して、pyforceのバージョン1.0.0は、メッシュインポート、計算積分、結果の視覚化のバックエンドとしてpyvistaを使用して完全に書き直された。
この選択により、任意のソフトウェアソルバでpyforceを使用することで、結果をVTK形式でエクスポートすることができる。
関連論文リスト
- scipy.spatial.transform: Differentiable Framework-Agnostic 3D Transformations in Python [49.015684860172975]
三次元剛体変換、すなわち回転と変換は、現代の微分可能な機械学習パイプラインの中心である。
SciPyのspace$.$diffモジュールは、厳格にテストされたPython実装である。
我々はSciPyの空間$.$transform機能を完全にオーバーホールし、Python配列APIを実装する任意の配列ライブラリと互換性を持たせる。
論文 参考訳（メタデータ） (2025-11-22T18:52:34Z) - pyFAST: A Modular PyTorch Framework for Time Series Modeling with Multi-source and Sparse Data [10.949140998070732]
pyFASTは時系列分析のための研究指向のPyTorchフレームワークである。
データエンジンは複雑なシナリオのために設計されており、マルチソースローディング、タンパク質配列処理、効率的なシーケンスおよびパッチレベルのパディング、動的正規化、マスクベースのモデリングをサポートする。
GitHubでMITライセンスでリリースされているpyFASTは、時系列の研究とアプリケーションを進めるための、コンパクトだが強力なプラットフォームを提供する。
論文 参考訳（メタデータ） (2025-08-26T10:05:47Z) - PySHRED: A Python package for SHallow REcurrent Decoding for sparse sensing, model reduction and scientific discovery [2.414148894633974]
シャローカレントデコーダ(シャローカレント)は、動的システム観測から高次元の動的システム/時間データをモデル化するためのディープラーニング戦略を提供する。
PySHREDはPythonパッケージで、いくつかの主要な拡張を実装している。
本稿では,PySHREDのバージョン1.0について紹介する。このバージョンには,ノイズ,マルチスケール,パラメータ化,高次元,強非線形といった実世界のデータを扱うように設計されたデータプリプロセッサが含まれている。
論文 参考訳（メタデータ） (2025-07-28T16:04:14Z) - PyPulse: A Python Library for Biosignal Imputation [58.35269251730328]
PyPulseは,臨床およびウェアラブルの両方のセンサ設定において生体信号の計算を行うPythonパッケージである。
PyPulseのフレームワークは、非機械学習バイオリサーバーを含む幅広いユーザーベースに対して、使い勝手の良いモジュラーで拡張可能なフレームワークを提供する。
PyPulseはMITライセンスでGithubとPyPIでリリースしました。
論文 参考訳（メタデータ） (2024-12-09T11:00:55Z) - arfpy: A python package for density estimation and generative modeling
with adversarial random forests [1.3597551064547502]
本稿では,適応ランダムフォレスト(ARF)のピソン実装である$textitarfpy$を紹介する(Watson et al., 2023)。
これは、与えられたデータに似た新しいデータを合成するための軽量な手順である。
論文 参考訳（メタデータ） (2023-11-13T14:28:21Z) - DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。
固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文 参考訳（メタデータ） (2022-05-04T08:41:59Z) - PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。
PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。
PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
論文 参考訳（メタデータ） (2022-01-12T07:32:36Z) - MOGPTK: The Multi-Output Gaussian Process Toolkit [71.08576457371433]
ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。
このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
論文 参考訳（メタデータ） (2020-02-09T23:34:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。