論文の概要: ChemKANs for Combustion Chemistry Modeling and Acceleration

• arxiv url: http://arxiv.org/abs/2504.12580v2
• Date: Mon, 25 Aug 2025 19:35:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.460266
• Title: ChemKANs for Combustion Chemistry Modeling and Acceleration
• Title（参考訳）: 化学化学モデリングと加速のためのケムカン
• Authors: Benjamin C. Koenig, Suyong Kim, Sili Deng,
• Abstract要約: ChemKANは、燃焼化学のためのモデル推論とシミュレーション加速のための新しいニューラルネットワークフレームワークである。 ケムカンの構造はカルモゴロフ・アーノルドネットワークの一般微分方程式(KAN-ODE)を、関連する力学および熱力学の法則を通じて情報の流れを知ることで強化する。 我々は、ChemKANsの頑健さを、最大15%の付加ノイズを含むスパースデータと、非常に大規模なネットワークパラメータ化にベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Efficient chemical kinetic model inference and application in combustion are challenging due to large ODE systems and widely separated time scales. Machine learning techniques have been proposed to streamline these models, though strong nonlinearity and numerical stiffness combined with noisy data sources make their application challenging. Here, we introduce ChemKANs, a novel neural network framework with applications both in model inference and simulation acceleration for combustion chemistry. ChemKAN's novel structure augments the generic Kolmogorov Arnold Network Ordinary Differential Equations (KAN-ODEs) with knowledge of the information flow through the relevant kinetic and thermodynamic laws. This chemistry-specific structure combined with the expressivity and rapid neural scaling of the underlying KAN-ODE algorithm instills in ChemKANs a strong inductive bias, streamlined training, and higher accuracy predictions compared to standard benchmarks, while facilitating parameter sparsity through shared information across all inputs and outputs. In a model inference investigation, we benchmark the robustness of ChemKANs to sparse data containing up to 15% added noise, and superfluously large network parameterizations. We find that ChemKANs exhibit no overfitting or model degradation in any of these training cases, demonstrating significant resilience to common deep learning failure modes. Next, we find that a remarkably parameter-lean ChemKAN (344 parameters) can accurately represent hydrogen combustion chemistry, providing a 2x acceleration over the detailed chemistry in a solver that is generalizable to larger-scale turbulent flow simulations. These demonstrations indicate the potential for ChemKANs as robust, expressive, and efficient tools for model inference and simulation acceleration for combustion physics and chemical kinetics.
• Abstract（参考訳）: 大きなODEシステムと広く分離された時間スケールのため、効率的な化学速度論的モデル推論と燃焼への応用は困難である。 これらのモデルを合理化するために機械学習技術が提案されているが、強い非線形性と数値剛性とノイズの多いデータソースを組み合わせると、それらの応用は困難である。 本稿では,モデル推論とシミュレーションアクセラレーションを併用した新しいニューラルネットワークフレームワークであるChemKANsを紹介する。 チェムカンの斬新な構造は、カルモゴロフ・アーノルドネットワークの一般微分方程式(KAN-ODE)を、関連する力学および熱力学の法則を通じて情報の流れの知識で拡張している。 この化学特異的構造と、基礎となるkan-ODEアルゴリズムの表現性と高速なニューラルスケーリングが組み合わさって、ChemKANは、標準ベンチマークよりも強力な帰納バイアス、合理化トレーニング、高い精度の予測を課し、全ての入力と出力の共有情報を通じてパラメータの空間性を容易にする。 モデル推論調査では,ChemKANの頑健さをベンチマークし,最大15%の付加雑音を含むスパースデータと,超完全大のネットワークパラメータ化を検証した。 これらのトレーニングケースでは、ChemKANはオーバーフィットやモデル劣化を示さず、一般的なディープラーニング障害モードに対する大きなレジリエンスを示します。 次に, パラメータの大きいChemKAN (344パラメータ) が水素燃焼化学を正確に表現し, より大規模な乱流シミュレーションに一般化可能な解法において, 詳細な化学量に対して2倍の加速を与えることを示した。 これらの実証は、ケムカンが燃焼物理学や化学力学のモデル推論とシミュレーション加速のための堅牢で表現力があり効率的なツールとしての可能性を示している。

関連論文リスト

• SPIN-ODE: Stiff Physics-Informed Neural ODE for Chemical Reaction Rate Estimation [6.84242299603086]
  複雑な化学反応からの速度係数の推定は、詳細な化学の進歩に不可欠である。 化学反応モデリングのための剛体物理インフォームドニューラルネットワーク(SPIN-ODE)フレームワークを提案する。 提案手法では,3段階の最適化プロセスを導入する。第1に,潜伏型ニューラルネットワークは化学濃度とその時間微分の軌跡を学習し,第2に,明示的化学反応ニューラルネットワーク(CRNN)は学習力学に基づいて基礎となる速度係数を抽出し,第3に,ニューラルネットワークソルバを用いた微調整CRNNを用いて速度係数推定をさらに向上する。
  論文  参考訳（メタデータ） (2025-05-08T20:03:30Z)
• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• KAN-ODEs: Kolmogorov-Arnold Network Ordinary Differential Equations for Learning Dynamical Systems and Hidden Physics [0.0]
  コルモゴロフ・アルノルドネットワーク(KAN)は多層パーセプトロン(MLP)の代替品である この研究は、Kansをニューラル常微分方程式(ODE)フレームワークのバックボーンとして適用する。
  論文  参考訳（メタデータ） (2024-07-05T00:38:49Z)
• A Posteriori Evaluation of a Physics-Constrained Neural Ordinary Differential Equations Approach Coupled with CFD Solver for Modeling Stiff Chemical Kinetics [4.125745341349071]
  我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。 これにより、総質量と元素質量が保存されることが保証される。
  論文  参考訳（メタデータ） (2023-11-22T22:40:49Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Finite-Rate-Chemistry Flows and Predicting Lean Premixed Gas Turbine Combustors [0.0]
  この研究は、最近導入されたPIESRGANを反応性有限レート化学フローへと前進させる。 The modified PIESRGAN-based model gives good agreement in a priori and a reari tests in a laminar lean premixed combustion setup。
  論文  参考訳（メタデータ） (2022-10-28T15:48:26Z)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame Kernel Direct Numerical Simulation Data [0.0]
  この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。 その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-28T15:27:46Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Graph Machine Learning for Design of High-Octane Fuels [47.43758223690195]
  コンピュータ支援分子設計(CAMD)は、所望の自己着火特性を持つ分子を識別することができる。 本稿では,生成グラフMLモデルとグラフニューラルネットワークと最適化を統合したグラフ-ML CAMDフレームワークを提案する。 我々は、さらなる自動点火訓練データの必要性を実験的に調査し、説明するために使用した。
  論文  参考訳（メタデータ） (2022-06-01T16:43:04Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Autonomous Kinetic Modeling of Biomass Pyrolysis using Chemical Reaction Neural Networks [0.0]
  森林, 草, 作物などのバイオマスの燃焼過程のモデル化は, 森林および都市火災のモデル化と予測に不可欠である。 本研究は,最近開発された化学反応ニューラルネット(CRNN)を用いた熱重力解析器(TGA)実験データから,バイオマス熱分解速度論的モデルを自律的に発見するための枠組みを提案する。 CRNNは、質量作用法則やアレニウス法則などの基本的な物理法則をニューラルネットワーク構造に組み込むことで、完全に解釈可能である。
  論文  参考訳（メタデータ） (2021-05-24T16:38:40Z)

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。