PINNeAPPle-Labs/PINNeAPPle
O núcleo: PINN, FNO, DeepONet, GNN, solvers, geometria, UQ, gêmeos digitais e serving REST.
A biblioteca
Um pipeline, do PDE escrito à predição servida.
Cada camada é um pacote Python independente no PyPI — dá para usar só a parte que você precisa. Nenhuma camada esconde a de baixo: você vê a malha, o resíduo, a arquitetura e o erro.
Arquitetura
Arquitetura em camadas
AplicaçãoAPPS & SERVING
pinneapple_apppinneapple_labpinneapple_hubpinneapple_orchestrationpinneapple_llmREST / FastAPI
ModelosNEURAL
pinneapple_neuralpinneapple_modelsPINNFNODeepONetGNNLSTMVPINN
Física & solversPHYSICS
pinneapple_physicspinneapple_solverspinneapple_simulationpinneapple_pdbOpenFOAMFEniCS/dolfinxCalculiX
AnáliseANALYSIS & UQ
pinneapple_analysispinneapple_veriphysicspinneapple_decisionpinneapple_adaptationUQEnKFMonte Carlo
Dados & geometriaDATA
pinneapple_datapinneapple_designpinneapple_catalogpinneapple_pdbpinneapple_twin3dpinneapple_blender
NúcleoCORE
pinneapple_corepinneapple_problemdesignpinneapple_registrypinneapple_toolspinneapple_securitypinneapple_systems
Por que isso importa: a mesma biblioteca que treina a rede é a que roda o solver de referência. Comparar o modelo com ele mesmo é o erro mais comum em Physics AI — aqui a referência é sempre externa ao treino.
inverse_heat.py
# o coeficiente h que ninguém mede, a partir de alguns termopares from pinneapple_physics import HeatConduction1D from pinneapple_neural import PINNTrainer problem = HeatConduction1D(conductivity=50.0, length=0.30, learn_h=True) model = PINNTrainer(problem, layers=[3, 64, 64, 1]) report = model.fit(thermocouples=medicoes, epochs=5000) print(report.h, report.h_std) # 14.8 0.3 (verdadeiro: 15) report.verify_against("finite-volume") # erro por campo, mapa de erro
Começar
A equação entra como texto
Instalação com um comando, sem build. O mesmo pacote roda o problema, o treino, a comparação com o solver e o relatório.
O que você ganha no primeiro dia
- Um ambiente reproduzível — 248 exemplos com saída versionada, para comparar com o seu resultado.
- Benchmarks públicos — SSQN Helmholtz, LBM vortex shedding, espaço de projeto LPM, latência e I/O.
- Interoperabilidade real — OpenFOAM, CalculiX, FEniCS/dolfinx, Gmsh, VTK, STL, USD e glTF na mesma sessão.
- Padrões da indústria — AAS, DTDL, NGSI-LD, Eclipse Ditto e OPC UA para o que a planta já consome.
Código aberto
A base é pública. A verificação também.
Apache-2.0, no PyPI, com releases versionadas. O que é aberto está aberto de verdade — e o que é produto está dito como produto.
PINNeAPPle-Labs/pinnfactory
Framework leve e independente para PINNs a partir de PDEs em SymPy, com autodiferenciação em PyTorch.
PINNeAPPle-Labs/PINNeAPPle-Benchmark
Benchmarks públicos e reprodutíveis: SSQN Helmholtz, LBM vortex shedding, LPM, latência, shard balance.
PINNeAPPle-Labs/pinnaitor
Framework agêntico de uso geral (ELM AI Agentic Framework), em estágio anterior — dito com clareza.
A separação honesta: Os quatro repositórios acima são genuinamente abertos. Os produtos são entregues como engenharia, não como release de código aberto.
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.