論文の概要: Kolmogorov-Arnold Chemical Reaction Neural Networks for learning pressure-dependent kinetic rate laws

• arxiv url: http://arxiv.org/abs/2511.07686v1
• Date: Wed, 12 Nov 2025 01:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.426717
• Title: Kolmogorov-Arnold Chemical Reaction Neural Networks for learning pressure-dependent kinetic rate laws
• Title（参考訳）: Kolmogorov-Arnold化学反応ニューラルネットワークによる圧力依存運動速度則の学習
• Authors: Benjamin C. Koenig, Sili Deng,
• Abstract要約: 化学反応ニューラルネットワーク(CRNN)は、データから直接反応の速度論を発見するための解釈可能な機械学習フレームワークとして登場した。 我々は,各運動パラメータをシステム圧力の学習可能な関数としてモデル化することにより,CRNNを一般化するKolmogorov-Arnold化学反応ニューラルネットワーク(KA-CRNN)を開発した。
• 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: Chemical Reaction Neural Networks (CRNNs) have emerged as an interpretable machine learning framework for discovering reaction kinetics directly from data, while strictly adhering to the Arrhenius and mass action laws. However, standard CRNNs cannot represent pressure-dependent rate behavior, which is critical in many combustion and chemical systems and typically requires empirical formulations such as Troe or PLOG. Here, we develop Kolmogorov-Arnold Chemical Reaction Neural Networks (KA-CRNNs) that generalize CRNNs by modeling each kinetic parameter as a learnable function of system pressure using Kolmogorov-Arnold activations. This structure maintains full interpretability and physical consistency while enabling assumption-free inference of pressure effects directly from data. A proof-of-concept study on the CH3 recombination reaction demonstrates that KA-CRNNs accurately reproduce pressure-dependent kinetics across a range of temperatures and pressures, outperforming conventional interpolative models. The framework establishes a foundation for data-driven discovery of extended kinetic behaviors in complex reacting systems, advancing interpretable and physics-consistent approaches for chemical model inference.
• Abstract（参考訳）: 化学反応ニューラルネットワーク(CRNN)は、データから直接反応速度論を発見するための解釈可能な機械学習フレームワークとして登場し、アレニウス法や集団行動法を厳格に守っている。 しかし、標準的なCRNNは圧力依存的な速度の挙動を表現できないため、多くの燃焼や化学システムでは重要であり、典型的にはトロイやPLOGのような経験的な定式化を必要とする。 そこで我々は,Kolmogorov-Arnold Chemical Reaction Neural Networks (KA-CRNN) を開発し,各パラメータをKolmogorov-Arnoldアクティベーションを用いたシステム圧力の学習可能な関数としてモデル化してCRNNを一般化する。 この構造は、データから直接、仮定不要な圧力効果の推測を可能にしながら、完全な解釈可能性と物理的整合性を維持する。 CH3リコンビネーション反応に関する概念実証研究は、KA-CRNNが様々な温度と圧力で正確に圧力依存性の運動を再現し、従来の補間モデルよりも優れていることを示した。 このフレームワークは、複雑な反応系におけるデータ駆動による運動挙動の発見の基礎を確立し、化学モデル推論のための解釈可能および物理一貫性のあるアプローチを前進させる。

関連論文リスト

• SPIN-ODE: Stiff Physics-Informed Neural ODE for Chemical Reaction Rate Estimation [7.435132146909704]
  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,ブラックボックスニューラルネットワークを集中軌道に合わせるように訓練し,第2に,化学反応ニューラルネットワーク(CRNN)を事前学習して,濃度とその時間微分のマッピングを学習し,第3に,予め訓練したCRNNを統合することで,レート係数を微調整する。
  論文  参考訳（メタデータ） (2025-05-08T20:03:30Z)
• ChemKANs for Combustion Chemistry Modeling and Acceleration [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-17T01:53:28Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• Self-Improved Retrosynthetic Planning [66.5397931294144]
  再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応の経路を見つけるための化学の基本的な問題である。 最近の検索アルゴリズムは、ディープニューラルネットワーク(DNN)を用いてこの問題を解決するための有望な結果を示している。 そこで本研究では,DNNを直接訓練し,望ましい特性を持つ反応経路を生成するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:03:57Z)
• 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)
• 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)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)

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。