neural-sde 开源项目推荐（19 个）

SciML /SciMLBook

并行计算和科学机器学习（SciML）：方法和应用（MIT 18.337J/6.338J）

SciML /DiffEqFlux.jl

预构建隐式层架构，采用O（1）反向推进、GPU和stiff+non刚性微分方程求解器，展示了科学机器学习（SciML）和物理知情机器学习方法

SciML /SciMLSensitivity.jl

A component of the DiffEq ecosystem for enabling sensitivity analysis for scientific machine learning (SciML). Optimize-then-discretize, discretize-then-optimize, adjoint methods, and more for ODEs, SDEs, DDEs, DAEs, etc.

xwinxu /bayeSDE

Code for "Infinitely Deep Bayesian Neural Networks with Stochastic Differential Equations"

SciML /DiffEqNoiseProcess.jl

A library of noise processes for stochastic systems like stochastic differential equations (SDEs) and other systems that are present in scientific machine learning (SciML)

SciML /OptimalControl.jl

SciML 科学机器学习生态系统中用于最优控制的组件

Zh-Shuai /NJDTPP

《Neural Jump-Diffusion Temporal Point Processes》（ICML 2024 Spotlight）的实现

frankschae /Control-of-Stochastic-Quantum-Dynamics-with-Differentiable-Programming

《Control of Stochastic Quantum Dynamics with Differentiable Programming》论文的代码仓库。

SciML /BridgeDiffEq.jl

基于 Bridge.jl 的轻量封装，适配 SciML 科学机器学习通用接口，为神经随机微分方程（neural SDE）提供新方法

colalb1 /FDM-for-Neural-SDEs

《Finite Dimensional Matching for Neural SDEs》实现的工作进行中版本。

amacias-afma /quant-ai-lab

独立研发，连接经典金融计量经济学与现代连续时间深度学习。项目包括用于风险价值（Value-at-Risk）的 PINNs 和用于密度预测的 Neural SDE。“复杂性必须赢得一席之地。”

ghr-creat /neural_sde_option_pricing

基于 Neural SDE（神经网络随机微分方程）的中证1000股指期权定价框架：MLE 训练 + Girsanov 测度变换 + MC 定价，与 BS/GBM/GARCH 对比

Neuromorphic-Spintronics /neural-sde

一个 PyTorch 框架，用于训练神经随机微分方程（SDE）来建模同时包含确定性和随机分量的动力系统。该框架通过组合表示漂移项和扩散项的神经网络并结合对抗训练来学习动力系统。文档 ⬇️

Nube1 /Stochastic-Transition-Dynamics-A-Neural-SDE-Framework

Neural SDE 气候风险框架：一个 PyTorch 实现，使用变分自编码器（VAE）和神经随机微分方程（SDE）建模连续时间企业违约风险，并模拟气候转型冲击对高碳行业的影响。

keshavkrishnan08 /solar-sde

天空相机太阳能功率临近预报。一个小型潜变量随机微分方程将天空图像转化为针对 1 到 30 分钟内每个预报时距的校准预测分布。

esmaeelMhd /digital-twin-engine

基于 JAX 的物理信息潜变量神经 SDE，用于工业过程系统的代理建模。

JuanPVenegas13 /neuroplastic

面向 LLM 的几何神经可塑性：一个闭环自调节回路 — Fisher（K-FAC）-> 热力学门控 -> liquid-time SDE -> 自然梯度自适应 -> 漂移检测。诚实、审慎的研究。

AnshDani2004 /Rough-Volatility-Neural-SDEs

用于粗糙波动率建模（H ≈ 0.1）并支持深度对冲的 Neural SDE 框架。实现了 Davies-Harte fBM、基于 signature 的损失函数以及收敛性分析。

nishadw /produce-sde

通过 Kolmogorov PDE 获得精确首达似然的潜变量神经 SDE（JAX/Diffrax）