論文の概要: Neural Network Emulator for Atmospheric Chemical ODE
- arxiv url: http://arxiv.org/abs/2408.01829v2
- Date: Tue, 6 Aug 2024 06:30:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 13:18:40.453123
- Title: Neural Network Emulator for Atmospheric Chemical ODE
- Title(参考訳): 大気化学用ニューラルネットワークエミュレータ
- Authors: Zhi-Song Liu, Petri Clusius, Michael Boy,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.84242299603086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling atmospheric chemistry is complex and computationally intense. Given the recent success of Deep neural networks in digital signal processing, we propose a Neural Network Emulator for fast chemical concentration modeling. We consider atmospheric chemistry as a time-dependent Ordinary Differential Equation. To extract the hidden correlations between initial states and future time evolution, we propose ChemNNE, an Attention based Neural Network Emulator (NNE) that can model the atmospheric chemistry as a neural ODE process. To efficiently simulate the chemical changes, we propose the sinusoidal time embedding to estimate the oscillating tendency over time. More importantly, we use the Fourier neural operator to model the ODE process for efficient computation. We also propose three physical-informed losses to supervise the training optimization. To evaluate our model, we propose a large-scale chemical dataset that can be used for neural network training and evaluation. The extensive experiments show that our approach achieves state-of-the-art performance in modeling accuracy and computational speed.
- Abstract(参考訳): 大気化学のモデリングは複雑で計算力に富んでいる。
近年,デジタル信号処理におけるディープニューラルネットワークの成功を踏まえ,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。
大気化学を時間依存の常微分方程式とみなす。
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,大気化学をニューラルネットワークプロセスとしてモデル化可能な,注意に基づくニューラルネットワークエミュレータ(NNE)ChemNNEを提案する。
化学変化を効率的にシミュレートするために, 正弦波の時間埋め込みを提案し, 時間とともに振動傾向を推定する。
さらに重要なことは、効率的な計算のために、フーリエニューラル演算子を使用してODEプロセスをモデル化することです。
また,トレーニング最適化を監督するために,身体的インフォームド損失を3つ提案する。
本モデルを評価するために,ニューラルネットワークのトレーニングと評価に使用できる大規模ケミカルデータセットを提案する。
実験により,本手法は精度と計算速度のモデル化において最先端の性能を実現することを示す。
関連論文リスト
- Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。
本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
論文 参考訳(メタデータ) (2024-05-27T05:53:30Z) - 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) - 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) - SPIDE: A Purely Spike-based Method for Training Feedback Spiking Neural
Networks [56.35403810762512]
イベントベースの計算を伴うスパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェアにおけるエネルギー効率の高い応用のために、脳にインスパイアされたモデルを約束している。
本研究では,最近提案されたトレーニング手法を拡張した平衡状態(SPIDE)に対するスパイクに基づく暗黙差分法について検討した。
論文 参考訳(メタデータ) (2023-02-01T04:22:59Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - 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) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳(メタデータ) (2021-09-22T16:52:51Z) - Fast and Sample-Efficient Interatomic Neural Network Potentials for
Molecules and Materials Based on Gaussian Moments [3.1829446824051195]
従来のGM-NNモデルに基づいて改良されたNNアーキテクチャを提案する。
改善された方法論は、アクティブラーニングやラーニング・オン・ザ・フライ(Learning-on-the-fly)といったトレーニング・ヘビーの前提条件である。
論文 参考訳(メタデータ) (2021-09-20T14:23:34Z) - Neuromorphic Algorithm-hardware Codesign for Temporal Pattern Learning [11.781094547718595]
複雑な空間時間パターンを学習するためにSNNを訓練できるLeaky IntegrateとFireニューロンの効率的なトレーニングアルゴリズムを導出する。
我々は,ニューロンとシナプスのメムリスタに基づくネットワークのためのCMOS回路実装を開発した。
論文 参考訳(メタデータ) (2021-04-21T18:23:31Z) - A deep learning-based ODE solver for chemical kinetics [6.146046338698173]
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。
論文 参考訳(メタデータ) (2020-11-24T02:44:21Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。