História
A PINNeAPPle existe porque a conta tinha que aparecer.
Modelos de IA para engenharia são fáceis de vender e difíceis de acreditar. A PINNeAPPle começou como uma biblioteca pessoal para não ter de confiar: cada resultado carrega a referência contra a qual foi conferido.
Por quê
Por que padrão de verificação, e não só modelo
Uma PINN pode acertar o alvo e violar a equação no caminho. A loss de treino parece saudável e o resíduo da física está centenas de vezes acima do limiar — foi exatamente o que encontramos num modelo já treinado de um cliente real.
Se não tem número medido contra uma referência externa ao treino, não vai para a tela. Isso vale para um README, para um slide e para a landing page.
Dizer "não" é parte do produto. Num caso de mobilidade de rover, o método numérico clássico era mais rápido e mais exato que a rede — a recomendação foi o método clássico.
Como
Como é construída
31 módulos no PyPI, Apache-2.0, 248 exemplos com saída conferida. A base é pública porque uma ferramenta de verificação que ninguém pode auditar não verifica nada.
SSQN Helmholtz, LBM vortex shedding, espaço de projeto LPM, latência e I/O. Nada de benchmark interno apresentado como prova.
Cada uma com README, números e limites declarados. Servem de ponto de partida para um produto seu ou de prova de que a base aguenta o caso real.
Equipe
Quem constrói
Física, engenharia industrial e software no mesmo time. A regra é a mesma de antes: se não tem número medido, não vai para a tela.
Físico de formação, une física, IA e engenharia para levar modelos científicos a aplicações reais. Criou o PINNeAPPle e atua com IA aplicada a problemas de engenharia e indústria no Brasil. Tem experiência em clima, agronegócio e astrofísica solar.
LinkedIn →Traga o seu caso
Tem uma simulação lenta, cara ou difícil de verificar?
Mande o caso. Respondemos com um escopo fechado e uma métrica de sucesso mensurável — ou dizemos que o método clássico resolve melhor.