論文の概要: SPIN-ODE: Stiff Physics-Informed Neural ODE for Chemical Reaction Rate Estimation

• arxiv url: http://arxiv.org/abs/2505.05625v1
• Date: Thu, 08 May 2025 20:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.07391
• Title: SPIN-ODE: Stiff Physics-Informed Neural ODE for Chemical Reaction Rate Estimation
• Title（参考訳）: SPIN-ODE:化学反応速度推定のための剛体物理インフォームニューラルネットワーク
• Authors: Wenqing Peng, Zhi-Song Liu, Michael Boy,
• Abstract要約: 複雑な化学反応からの速度定数の推定は、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。
• 参考スコア（独自算出の注目度）: 6.84242299603086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating rate constants from complex chemical reactions is essential for advancing detailed chemistry. However, the stiffness inherent in real-world atmospheric chemistry systems poses severe challenges, leading to training instability and poor convergence that hinder effective rate constant estimation using learning-based approaches. To address this, we propose a Stiff Physics-Informed Neural ODE framework (SPIN-ODE) for chemical reaction modelling. Our method introduces a three-stage optimisation process: first, a latent neural ODE learns the continuous and differentiable trajectory between chemical concentrations and their time derivatives; second, an explicit Chemical Reaction Neural Network (CRNN) extracts the underlying rate coefficients based on the learned dynamics; and third, fine-tune CRNN using a neural ODE solver to further improve rate coefficient estimation. Extensive experiments on both synthetic and newly proposed real-world datasets validate the effectiveness and robustness of our approach. As the first work on stiff Neural ODEs for chemical rate coefficient discovery, our study opens promising directions for integrating neural networks with detailed chemistry.
• Abstract（参考訳）: 複雑な化学反応からの速度定数の推定は、詳細な化学の進歩に不可欠である。 しかし、現実世界の大気化学システムに固有の硬さは深刻な課題を引き起こし、学習に基づくアプローチによる効果的な速度定数推定の妨げとなるトレーニング不安定性と収束性の低下につながる。 そこで我々は化学反応モデリングのためのStiff Physics-Informed Neural ODE framework (SPIN-ODE)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連続的および微分可能な軌道を学習し,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ODEソルバを用いた微細構造CRNNを用いて速度係数推定を更に改善する。 合成および新たに提案された実世界のデータセットに関する大規模な実験は、我々のアプローチの有効性と堅牢性を検証する。 化学速度係数探索のための硬いニューラルODEの最初の研究として、我々はニューラルネットワークを詳細な化学と統合するための有望な方向性を開拓した。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• 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)
• 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)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• 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)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• 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)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。