Primeros Pasos¶

Instalación¶

Central (solo PyTorch)¶

pip install iobsolve

Instala únicamente el motor matemático con una sola dependencia: torch >= 2.0. No se requieren librerías de visualización para la API Python ni para los comandos matemáticos de la CLI.

Con Visualización¶

La bandera --plot y la E/S de .npy / .graphml requieren dependencias opcionales:

pip install "iobsolve[vis]"

Incluye: numpy, matplotlib, seaborn, scipy, networkx, scikit-learn.

Entorno de Desarrollo¶

git clone https://github.com/JoaKnut/iobsolve.git
cd iobsolve
pip install -e ".[dev,vis]"

Agrega: pytest, pytest-cov, mypy, pyright, ruff.

Requisitos de Hardware¶

Componente	Mínimo
Python	≥ 3.10
PyTorch	≥ 2.0
RAM	4 GB (16 GB para auditorías a escala LLM)
GPU	Opcional — pase `device="cuda"` al `FlowTheoremLocator`

Primera Ejecución¶

Verifique su instalación:

iobsolve check

Salida esperada:

============================================================
[*] IOB-Solve v0.2.0 | Diagnóstico del Entorno IOB-Solve
============================================================
  Python  : 3.12.x
  PyTorch : 2.x.x
  CUDA    : No disponible
  NumPy   : 1.x.x
  Matplotlib: 3.x.x

[+] Entorno verificado correctamente.

Su Primera Localización de Raíces¶

iobsolve roots --radius 10 --depth 8

Ejecuta la TranscendentalManifold predeterminada — un campo vectorial 2D con raíces analíticas en \((n\pi, 0)\) — e imprime los centroides estimados de cada singularidad detectada.

Agregue --plot raices.png para renderizar un gráfico de dispersión de las regiones detectadas.