論文の概要: Kinetics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2011.14473v1
- Date: Mon, 30 Nov 2020 00:07:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 14:52:49.140469
- Title: Kinetics-Informed Neural Networks
- Title（参考訳）: 動力学的インフォームドニューラルネットワーク
- Authors: Gabriel S. Gusm\~ao, Adhika P. Retnanto, Shashwati C. da Cunha, Andrew
J. Medford
- Abstract要約: 我々は、通常の微分方程式を解くために、サロゲートモデルを構築するための基礎関数としてフィードフォワード人工ニューラルネットワークを用いる。
正規化多目的最適化設定におけるニューラルネットと運動モデルパラメータの同時学習により,逆問題の解が導かれることを示す。
この逆運動的ODEに対する代理的アプローチは、過渡的なデータに基づく反応機構の解明に役立てることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chemical kinetics consists of the phenomenological framework for the
disentanglement of reaction mechanisms, optimization of reaction performance
and the rational design of chemical processes. Here, we utilize feed-forward
artificial neural networks as basis functions for the construction of surrogate
models to solve ordinary differential equations (ODEs) that describe
microkinetic models (MKMs). We present an algebraic framework for the
mathematical description and classification of reaction networks, types of
elementary reaction, and chemical species. Under this framework, we demonstrate
that the simultaneous training of neural nets and kinetic model parameters in a
regularized multiobjective optimization setting leads to the solution of the
inverse problem through the estimation of kinetic parameters from synthetic
experimental data. We probe the limits at which kinetic parameters can be
retrieved as a function of knowledge about the chemical system states over
time, and assess the robustness of the methodology with respect to statistical
noise. This surrogate approach to inverse kinetic ODEs can assist in the
elucidation of reaction mechanisms based on transient data.
- Abstract（参考訳）: 化学力学は、反応機構の絡み合い、反応性能の最適化、化学プロセスの合理的設計のための現象論的枠組みから構成される。
そこで我々は,MKMを記述した常微分方程式(ODE)を解くために,サロゲートモデル構築の基盤関数としてフィードフォワード人工ニューラルネットワークを利用する。
本稿では,反応ネットワークの数学的記述と分類,初等反応の種類,化学種の代数的枠組みを提案する。
この枠組みの下で, 正規化多目的最適化設定におけるニューラルネットと運動モデルパラメータの同時学習は, 合成実験データから速度パラメータを推定することで逆問題の解を導くことを実証する。
本研究では, 化学系状態に関する知識の関数として, 速度論的パラメータを検索できる限界を探索し, 統計的ノイズに対する方法論の堅牢性を評価する。
この逆運動性オドへの代理的アプローチは、過渡的データに基づく反応機構の解明に役立つ。
関連論文リスト
- Modeling Stochastic Chemical Kinetics on Quantum Computers [0.0]
三分子反応ネットワークのシュルオグルモデルを用いて、量子アルゴリズムを用いて化学動力学をモデル化する方法を示す。
ノイズやノイズのない量子シミュレーションによる量子計算結果は、古典的に計算された固有値やゼロモードと数パーセント以内で一致します。
論文 参考訳（メタデータ） (2024-04-12T18:53:38Z) - Beyond Major Product Prediction: Reproducing Reaction Mechanisms with
Machine Learning Models Trained on a Large-Scale Mechanistic Dataset [10.968137261042715]
有機反応の機械的理解は、反応の発生、不純物予測、そして原則として反応発見を促進する。
いくつかの機械学習モデルは、反応生成物を予測するタスクに対処しようとしているが、反応機構を予測するための拡張は、対応する力学データセットの欠如によって妨げられている。
実験によって報告された反応物質と生成物の中間体を専門家の反応テンプレートを用いて入力し、その結果の5,184,184個の基本ステップに基づいて機械学習モデルを訓練することにより、そのようなデータセットを構築する。
論文 参考訳（メタデータ） (2024-03-07T15:26:23Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Towards out-of-distribution generalizable predictions of chemical
kinetics properties [61.15970601264632]
Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。
本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。
我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
論文 参考訳（メタデータ） (2023-10-04T20:36:41Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Differentiable Programming of Chemical Reaction Networks [63.948465205530916]
化学反応ネットワークは、自然によって使用される最も基本的な計算基板の1つである。
膜によって分離された複数のチャンバーを持つシステムと同様に、よく混合されたシングルチャンバーシステムについて検討した。
我々は、微分可能な最適化と適切な正規化が相まって、非自明なスパース反応ネットワークを発見することを実証した。
論文 参考訳（メタデータ） (2023-02-06T11:41:14Z) - Toward Development of Machine Learned Techniques for Production of
Compact Kinetic Models [0.0]
化学動力学モデルは燃焼装置の開発と最適化に欠かせない要素である。
本稿では、過度に再現され、最適化された化学動力学モデルを生成するための、新しい自動計算強化手法を提案する。
論文 参考訳（メタデータ） (2022-02-16T12:31:24Z) - Data Driven Reaction Mechanism Estimation via Transient Kinetics and
Machine Learning [0.0]
この研究は、一過性率/集中依存と機械学習を組み合わせて、アクティブなサイト数を測定する方法論を詳述する。
反応を駆動するLangmuir-Hinshelwood機構を明らかにするためにCO酸化データを解析した。
論文 参考訳（メタデータ） (2020-11-17T18:14:10Z) - Population-based Optimization for Kinetic Parameter Identification in
Glycolytic Pathway in Saccharomyces cerevisiae [7.895232155155041]
本稿では,動的モデルにおける運動パラメータの同定が可能な個体群ベース最適化フレームワークを提案する。
本手法は測定不能パラメータの同定やパラメータの偏差の発見に有効である。
本稿では,Saccharomyces cerevisiaeにおけるよく研究された糖分解経路の例について,最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-19T21:57:28Z) - Energy-based View of Retrosynthesis [70.66156081030766]
エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。
本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。
このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
論文 参考訳（メタデータ） (2020-07-14T18:51:06Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。