論文の概要: Speeding up astrochemical reaction networks with autoencoders and neural ODEs

• arxiv url: http://arxiv.org/abs/2312.06015v1
• Date: Sun, 10 Dec 2023 22:04:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 17:26:59.319759
• Title: Speeding up astrochemical reaction networks with autoencoders and neural ODEs
• Title（参考訳）: オートエンコーダとニューラルodeによるアストロケミカル反応ネットワークの高速化
• Authors: Immanuel Sulzer, Tobias Buck
• Abstract要約: 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。
• 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: In astrophysics, solving complex chemical reaction networks is essential but computationally demanding due to the high dimensionality and stiffness of the ODE systems. Traditional approaches for reducing computational load are often specialized to specific chemical networks and require expert knowledge. This paper introduces a machine learning-based solution employing autoencoders for dimensionality reduction and a latent space neural ODE solver to accelerate astrochemical reaction network computations. Additionally, we propose a cost-effective latent space linear function solver as an alternative to neural ODEs. These methods are assessed on a dataset comprising 29 chemical species and 224 reactions. Our findings demonstrate that the neural ODE achieves a 55x speedup over the baseline model while maintaining significantly higher accuracy by up to two orders of magnitude reduction in relative error. Furthermore, the linear latent model enhances accuracy and achieves a speedup of up to 4000x compared to standard methods.
• Abstract（参考訳）: 天体物理学において、複雑な化学反応ネットワークを解くことは必須であるが、ODEシステムの高次元性と剛性のために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潜在空間ニューラルODEソルバを用いた機械学習ソリューションを提案する。 さらに,ニューラルネットワークの代替として,コスト効率の高い潜在空間線形関数解法を提案する。 これらの方法は29の化学種と224の反応からなるデータセットで評価される。 その結果,ニューラルodeはベースラインモデルに比べて55倍のスピードアップを達成し,相対誤差を最大2桁削減することで精度が向上した。 さらに、線形潜在モデルは精度を高め、標準手法に比べて最大4000倍の高速化を実現する。

関連論文リスト

• Scalable Mechanistic Neural Networks [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• 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)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• 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)
• Correcting auto-differentiation in neural-ODE training [19.472357078065194]
  ニューラルネットワークが基礎となるODEフローを近似するために高次形式を用いる場合、自動微分を用いたブルートフォース計算は、しばしば非収束人工振動を生成する。 本稿では、これらの振動を効果的に排除し、計算を修正し、基礎となる流れの更新を尊重する簡単な後処理手法を提案する。
  論文  参考訳（メタデータ） (2023-06-03T20:34:14Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• 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)
• Accelerating Neural ODEs Using Model Order Reduction [0.0]
  本稿では,ニューラルネットワークの圧縮と高速化に数学的モデルオーダー削減法が利用できることを示す。 我々は,ニューラルネットワークの層として必要な部分空間投影と操作を統合するニューラルODEを開発することで,新しい圧縮手法を実装した。
  論文  参考訳（メタデータ） (2021-05-28T19:27:09Z)
• Stiff Neural Ordinary Differential Equations [0.0]
  我々はまず、ロバートソン問題における古典的な硬質ODEシステムにおける神経ODEの学習の課題を示す。 次に,ロバートソン問題と大気汚染問題の厳密なシステムにおける実証実験を行った。
  論文  参考訳（メタデータ） (2021-03-29T05:24:56Z)

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。