論文の概要: A Framework for Combustion Chemistry Acceleration with DeepONets

• arxiv url: http://arxiv.org/abs/2304.12188v1
• Date: Thu, 6 Apr 2023 16:12:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-30 07:49:00.976002
• Title: A Framework for Combustion Chemistry Acceleration with DeepONets
• Title（参考訳）: deeponetsを用いた燃焼化学加速の枠組み
• Authors: Anuj Kumar (1), Tarek Echekki (1) ((1) North Carolina State University)
• Abstract要約: 深部演算子ネットワーク(DeepONets)に基づく燃焼化学加速法の開発 このスキームは、改良されたDeepOnetアーキテクチャによる燃焼反応のダイナミクスの同定に基づいている。
• 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: A combustion chemistry acceleration scheme is developed based on deep operator networks (DeepONets). The scheme is based on the identification of combustion reaction dynamics through a modified DeepOnet architecture such that the solutions of thermochemical scalars are projected to new solutions in small and flexible time increments. The approach is designed to efficiently implement chemistry acceleration without the need for computationally expensive integration of stiff chemistry. An additional framework of latent-space dynamics identification with modified DeepOnet is also proposed which enhances the computational efficiency and widens the applicability of the proposed scheme. The scheme is demonstrated on simple chemical kinetics of hydrogen oxidation to more complex chemical kinetics of n-dodecane high- and low-temperature oxidations. The proposed framework accurately learns the chemical kinetics and efficiently reproduces species and temperature temporal profiles corresponding to each application. In addition, a very large speed-up with a great extrapolation capability is also observed with the proposed scheme.
• Abstract（参考訳）: 深部演算子ネットワーク(DeepONets)に基づく燃焼化学加速法を開発した。 このスキームは、熱化学的スカラーの溶液が小さく柔軟な時間インクリメントで新しい溶液に投影されるように、改良されたディープネットアーキテクチャによる燃焼反応ダイナミクスの同定に基づいている。 このアプローチは、計算コストの高い剛体化学の統合を必要とせずに、効率的に化学加速を実装するように設計されている。 また,修正されたDeepOnetを用いた遅延空間の動的識別フレームワークも提案され,計算効率の向上と提案方式の適用性の向上が図られた。 このスキームは、水素酸化の単純な化学動力学に基づいて、n-ドデカンの高温酸化と低温酸化のより複雑な化学動力学を実証する。 提案フレームワークは, 化学動力学を正確に学習し, 各用途に対応する種および温度時間プロファイルを効率よく再現する。 また,提案手法では,外挿性能の優れた超大型の高速化も観測されている。

関連論文リスト

• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Kinematics Modeling of Peroxy Free Radicals: A Deep Reinforcement Learning Approach [0.0]
  対流圏オゾンは喘息、気管支炎、肺機能障害などの健康問題と関連している。 ペルオキシラジカルがNOと反応する速度は、対流圏オゾンの全体形成と枯渇に重要な役割を果たしている。 深部強化学習は、例外的な精度で速度定数の範囲を予測するために用いられた。
  論文  参考訳（メタデータ） (2024-04-12T05:51:28Z)
• Speeding up astrochemical reaction networks with autoencoders and neural ODEs [0.0]
  天体物理学では、複雑な化学反応ネットワークを解くことが不可欠であるが、計算的に要求される。 計算負荷を減らす伝統的なアプローチは、しばしば特定の化学ネットワークに特化しており、専門家の知識を必要とする。 本稿では,次元減少のためのオートエンコーダと,アストロケミカル反応ネットワーク計算を高速化するための潜時空間ニューラルODEソルバを用いた機械学習ソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-10T22:04:18Z)
• Finding Optimal Pathways in Chemical Reaction Networks Using Ising Machines [0.40792653193642503]
  化学反応ネットワークにおける最適経路の発見は、化学プロセスの解明と設計に不可欠である。 爆発により、最適な経路を見つけるのに必要な時間は、ネットワークサイズとともに指数関数的に増加する。 化学経路フィニング問題に対する最初のIsing/Quantum計算応用について述べる。
  論文  参考訳（メタデータ） (2023-08-08T19:22:54Z)
• Learning stiff chemical kinetics using extended deep neural operators [0.0]
  我々は, 強硬な化学動力学を解くために, ニューラル演算子に基づく代理モデルを開発した。 この研究は、強硬な化学動力学を解くために、神経オペレーターに基づく代理モデルを開発することを目的としている。
  論文  参考訳（メタデータ） (2023-02-23T18:57:08Z)
• 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)
• 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)
• Kinetics-Informed Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2020-11-30T00:07:09Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。