Fugu-MT 論文翻訳(概要): A deep learning-based ODE solver for chemical kinetics

論文の概要: A deep learning-based ODE solver for chemical kinetics

arxiv url: http://arxiv.org/abs/2012.12654v1
Date: Tue, 24 Nov 2020 02:44:21 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 14:40:48.799747
Title: A deep learning-based ODE solver for chemical kinetics
Title（参考訳）: 深層学習に基づく化学動力学のためのODEソルバ
Authors: Tianhan Zhang, Yaoyu Zhang, Weinan E, Yiguang Ju
Abstract要約: この研究はDeepCombustion0.0と呼ばれる深層学習に基づく数値計算法を提案し、硬い常微分方程式系を解く。 54種を含むDME/空気混合物の均一な自己着火は、アルゴリズムの有効性と精度を示す例として採用されている。
参考スコア（独自算出の注目度）: 6.146046338698173
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Developing efficient and accurate algorithms for chemistry integration is a challenging task due to its strong stiffness and high dimensionality. The current work presents a deep learning-based numerical method called DeepCombustion0.0 to solve stiff ordinary differential equation systems. The homogeneous autoignition of DME/air mixture, including 54 species, is adopted as an example to illustrate the validity and accuracy of the algorithm. The training and testing datasets cover a wide range of temperature, pressure, and mixture conditions between 750-1200 K, 30-50 atm, and equivalence ratio = 0.7-1.5. Both the first-stage low-temperature ignition (LTI) and the second-stage high-temperature ignition (HTI) are considered. The methodology highlights the importance of the adaptive data sampling techniques, power transform preprocessing, and binary deep neural network (DNN) design. By using the adaptive random samplings and appropriate power transforms, smooth submanifolds in the state vector phase space are observed, on which two three-layer DNNs can be appropriately trained. The neural networks are end-to-end, which predict temporal gradients of the state vectors directly. The results show that temporal evolutions predicted by DNN agree well with traditional numerical methods in all state vector dimensions, including temperature, pressure, and species concentrations. Besides, the ignition delay time differences are within 1%. At the same time, the CPU time is reduced by more than 20 times and 200 times compared with the HMTS and VODE method, respectively. The current work demonstrates the enormous potential of applying the deep learning algorithm in chemical kinetics and combustion modeling.
Abstract（参考訳）: 化学統合のための効率的で正確なアルゴリズムの開発は、その強い剛性と高次元のため難しい課題である。現在の研究はDeepCombustion0.0と呼ばれる深層学習に基づく数値計算法で、硬い常微分方程式を解く。 54種を含むdme/air混合物の均質な自己発火は,アルゴリズムの妥当性と精度を示す一例である。トレーニングと試験データセットは750-1200 K、30-50 atm、同値比0.7-1.5の幅広い温度、圧力、混合条件をカバーする。第1段低温点火(LTI)と第2段高温点火(HTI)の両方を考慮する。この方法論は、適応データサンプリング技術、電力変換前処理、バイナリディープニューラルネットワーク(DNN)設計の重要性を強調している。適応的ランダムサンプリングと適切なパワー変換を用いて、状態ベクトル位相空間内の滑らかな部分多様体を観察し、2つの3層DNNを適切に訓練することができる。ニューラルネットワークはエンドツーエンドであり、状態ベクトルの時間勾配を直接予測する。その結果,dnnが予測する時間変化は,温度,圧力,種濃度を含む全ての状態ベクトル次元における従来の数値手法とよく一致することがわかった。また、着火遅延時間差は1%以内である。同時に、HMTS法やVODE法と比較して、CPU時間を20回以上、200回以上短縮する。現在の研究は、深層学習アルゴリズムを化学動力学や燃焼モデリングに応用する巨大な可能性を実証している。

関連論文リスト

Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文参考訳（メタデータ） (2024-09-11T10:38:30Z)
Neural Network Emulator for Atmospheric Chemical ODE [6.84242299603086]
高速な化学濃度モデリングのためのニューラルネットワークエミュレータを提案する。初期状態と今後の時間進化の間の隠れた相関関係を抽出するために,ChemNNEを提案する。提案手法は,モデリング精度と計算速度において最先端の性能を実現する。
論文参考訳（メタデータ） (2024-08-03T17:43:10Z)
Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文参考訳（メタデータ） (2023-12-04T01:32:42Z)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文参考訳（メタデータ） (2023-07-27T06:59:46Z)
Using a neural network approach to accelerate disequilibrium chemistry calculations in exoplanet atmospheres [0.0]
本研究では,1次元化学動力学符号の数学的枠組みを置き換えるニューラルネットワークの実装に着目する。ネットワークのアーキテクチャは、各入力変数に対する個々のオートエンコーダで構成され、入力次元を減少させる。その結果, 混合比, 恒星スペクトル, 圧力プロファイルのオートエンコーダは, データの符号化および復号化に極めて成功していることがわかった。
論文参考訳（メタデータ） (2023-06-12T12:39:21Z)
A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文参考訳（メタデータ） (2022-11-16T00:11:04Z)
Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文参考訳（メタデータ） (2022-06-21T20:38:13Z)
Deep learning approaches to surrogates for solving the diffusion equation for mechanistic real-world simulations [0.0]
医学的、生物学的、物理的、工学的なモデルでは、偏微分方程式(PDE)の数値解は、過激にシミュレーションを遅くすることができる。このような複雑な数値問題に対する近似解を提供するために訓練されたニューラルネットワークである機械学習のサロゲートは、直接計算に比べて数桁のスピードアップを提供することが多い。畳み込みニューラルネットワークを用いて拡散方程式の定常解を近似する。
論文参考訳（メタデータ） (2021-02-10T16:15:17Z)
Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文参考訳（メタデータ） (2021-01-27T11:27:16Z)
Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。