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

• arxiv url: http://arxiv.org/abs/2505.05625v2
• Date: Wed, 18 Jun 2025 18:09:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 14:57:51.80619
• 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。
• 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 coefficients 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 coefficient 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係数の推定は、詳細な化学の進歩に不可欠である。 しかし、実世界の大気化学システムに固有の剛性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係数推定を阻害するトレーニング不安定性と収束性の低下をもたらす。 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

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• ChemKANs for Combustion Chemistry Modeling and Acceleration [0.0]
  化学動力学モデル推論を効率化するために機械学習技術が提案されている。 ケムカンは水素燃焼化学を正確に表現することができ、解法において詳細な化学よりも2倍の加速を与える。 これらのデモンストレーションは、燃焼物理学や化学反応学におけるケムカンの可能性を示している。
  論文  参考訳（メタデータ） (2025-04-17T01:53:28Z)
• 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)
• 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)
• 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)
• 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)
• 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。