Hacktoberfest 2026 : les issues que les mainteneurs ont marquées pour octobre, ouvertes et accessibles aux débutants. Parcourir les issues Hacktoberfest

Differentiable Optimization API

Ouverte
  • Quelque chose ne va pas ?
#2,969 2 commentaires 1 réaction 0 personnes assignées Voir sur GitHub

Les mainteneurs répondent en général sous 1 jour

Personne n'a encore pris cette issue.

Évaluation

Difficulté
5/5
Temps estimé
Plus d'une semaine
Accessibilité débutants
25/100
Type d'issue
Fonctionnalité
Clarté
À clarifier
Activité
À l'abandon
Stack technique
julia
Domaine
backend-api-design

Piste de recherche

Commencez par la discussion initiale dans DiffOpt.jl PR #344 et comparez les implémentations de DiffOpt lpbasis, MadDiff et Moreau qui y sont référencées. Examinez la manière dont elles gèrent les attributs de sensibilité, les fonctions de différentiation, les resets, les paramètres, les fonctions de coefficients, les getters lazy et les helpers au niveau de JuMP ; le travail est considéré comme terminé lorsqu’une API minimale fait l’objet d’un accord, puisqu’aucun fichier cible ni test n’est nommé.

Rédigé par le modèle d'indexation à partir du texte de l'issue.

Description

What is the minimal API for differentiable optimization?

  1. Attributes to pass input forward and reverse sensitivities.
    1. forward inputs sensitivities: are numbers associated with the coefficients of the problem or parameters
    2. reverse inputs sensitivities: are numbers associated with variables
  2. functions to perform the diff (analogous to optimize!)
  3. Attributes to query output forward and reverse sensitivities.
    1. forward outputs sensitivities: are numbers associated with variables
    2. reverse outputs sensitivities: are numbers associated with the coefficients of the problem or parameters

Important aspects:
a. A function to reset all input sensitivities is extremely important in practice, as resetting manually is very inefficient.
b. Parameters are extremely useful here. Having used DiffOpt and talking to users it is clear that it is very error-prone to touch coefficients directly (also see: https://arxiv.org/abs/2510.25986). POI is almost essential here.
c. Passing coefficients individually is suboptimal because it does not play well with bridges. Passing coefficient sensitivities as functions is key to making it work smoothly. For getters, Lazy operations are importants as we are usually no interested in absolutely every single coefficient
d. In practice, helper methods for objective sensitivity are a lifesaver.
e. Having a JuMP level API is much more ergonomic than having MOI.set and get all around.

We already have use case for existing solvers:

Additional points:

  • In DiffOpt, we did not put much effort into sensitivities associated with duals. Attribute-wise, there is nothing special here, but we never have a concrete use case, so we did not venture into it.

Initial discussion in: https://github.com/jump-dev/DiffOpt.jl/pull/344

Langage dominant
Julia
Étoiles
506
Forks
103
Merge moyen
1 j 10 min
PR mergées (30 j)
12

Préparer son environnement

Ce projet ne fournit ni conteneur de développement, ni Dockerfile, ni guide de contribution : l'installation est à votre charge. Commencez par son README, et consultez notre guide de la première contribution pour les étapes générales.

Par où commencer

  1. Lisez l'issue en entier, puis le guide de contribution du projet.
  2. Signalez en commentaire que vous la prenez — cela évite que deux personnes fassent le même travail.
  3. Forkez le dépôt et travaillez sur une branche.
  4. Ouvrez une pull request qui référence le numéro de l'issue.

Autres issues de jump-dev/MathOptInterface.jl

Toutes les issues de jump-dev/MathOptInterface.jl

Issues similaires

Plus d'issues Julia

Recevez les nouvelles issues par e-mail

Un résumé court des issues GitHub adaptées aux débutants.