論文の概要: Novel DNNs for Stiff ODEs with Applications to Chemically Reacting Flows

• arxiv url: http://arxiv.org/abs/2104.01914v1
• Date: Thu, 1 Apr 2021 22:54:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 06:38:18.899363
• Title: Novel DNNs for Stiff ODEs with Applications to Chemically Reacting Flows
• Title（参考訳）: 固いオデムのための新しいdnnと化学反応流への応用
• Authors: Thomas S. Brown, Harbir Antil, Rainald L\"ohner, Fumiya Togashi, Deepanshu Verma
• Abstract要約: 化学反応する流れは、超音速流、燃焼、爆発、製造プロセス、環境評価などの工学において一般的である。 燃焼のために、反応の数は(100を超える)有意であり、非常に大きなCPU要件のために、大量のフローと燃焼問題は、現在、最大のスーパーコンピュータの能力を超えています。 このことに動機づけられて、DNN(Deep Neural Networks)が近似剛性ODEに導入される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chemically reacting flows are common in engineering, such as hypersonic flow, combustion, explosions, manufacturing processes and environmental assessments. For combustion, the number of reactions can be significant (over 100) and due to the very large CPU requirements of chemical reactions (over 99%) a large number of flow and combustion problems are presently beyond the capabilities of even the largest supercomputers. Motivated by this, novel Deep Neural Networks (DNNs) are introduced to approximate stiff ODEs. Two approaches are compared, i.e., either learn the solution or the derivative of the solution to these ODEs. These DNNs are applied to multiple species and reactions common in chemically reacting flows. Experimental results show that it is helpful to account for the physical properties of species while designing DNNs. The proposed approach is shown to generalize well.
• Abstract（参考訳）: 化学反応する流れは、超音速流、燃焼、爆発、製造プロセス、環境評価などの工学において一般的である。 燃焼においては、反応数は(100以上)顕著であり、化学反応のCPU要求が非常に大きい(99%以上)ため、多くのフローと燃焼の問題は現在、最大のスーパーコンピュータの能力を超えている。 これに触発された新しいDeep Neural Networks (DNN) は、近似された固いODEに導入される。 2つのアプローチ、すなわち、これらのODEに対する解や解の微分を学習する。 これらのDNNは、化学反応流に共通する複数の種や反応に適用される。 実験結果から,DNNの設計において,種の物理的特性を考慮に入れることが有用であることが示唆された。 提案手法はよく一般化される。

関連論文リスト

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。 反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。 反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• 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)
• GREAD: Graph Neural Reaction-Diffusion Networks [22.90737022395036]
  グラフニューラルネットワーク(GNN)は、ディープラーニングに関する最も人気のある研究トピックの1つである。 拡散方程式はGNNのコア処理層の設計に広く用いられている。 反応拡散方程式に基づくGNN法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T16:16:25Z)
• Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation [70.97737157902947]
  現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
  論文  参考訳（メタデータ） (2022-01-02T12:33:10Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Self-Improved Retrosynthetic Planning [66.5397931294144]
  再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応の経路を見つけるための化学の基本的な問題である。 最近の検索アルゴリズムは、ディープニューラルネットワーク(DNN)を用いてこの問題を解決するための有望な結果を示している。 そこで本研究では,DNNを直接訓練し,望ましい特性を持つ反応経路を生成するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:03:57Z)
• Data-driven discovery of multiscale chemical reactions governed by the law of mass action [4.705291741591329]
  本論文では,マスアクション法則に基づく多スケール化学反応の探索のためのデータ駆動手法を提案する。 私たちは、反応剤と反応のないシステム内の製品の両方のstoichiometric係数を表すために単一のマトリックスを使用します。 複数の数値実験により,多スケール化学反応の学習におけるアルゴリズムの性能が検証された。
  論文  参考訳（メタデータ） (2021-01-17T04:53:30Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• Autonomous Discovery of Unknown Reaction Pathways from Data by Chemical Reaction Neural Network [0.0]
  化学反応は、エネルギー、環境、生物、その他多くの自然システムで起こる。 本稿では、時間分解種濃度データから反応経路を自律的に発見するニューラルネットワークアプローチを提案する。 提案された化学反応ニューラルネットワーク(CRNN)は設計上、質量反応法やアレニウス法を含む基本的な物理法則を満たす。
  論文  参考訳（メタデータ） (2020-02-20T23:36:46Z)

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。