論文の概要: Kinetic-Mamba: Mamba-Assisted Predictions of Stiff Chemical Kinetics

• arxiv url: http://arxiv.org/abs/2512.14471v1
• Date: Tue, 16 Dec 2025 14:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.754768
• Title: Kinetic-Mamba: Mamba-Assisted Predictions of Stiff Chemical Kinetics
• Title（参考訳）: Kinetic-Mamba:Mamba-Assisted Predictions of Stiff Chemical Kinetics
• Authors: Additi Pandey, Liang Wei, Hessam Babaee, George Em Karniadakis,
• Abstract要約: Kinetic-Mambaは、化学動力学モデリングのためのMambaベースのニューラルオペレーターフレームワークである。 我々は、縮小された潜在空間で力学を進化させ、物理多様体上の全状態を再構成する潜在キネティック・マンバ多様体を開発する。 本フレームワークは,状態変数の初期条件のみを用いて,複雑な運動挙動の予測に高い忠実性を実現する。
• 参考スコア（独自算出の注目度）: 4.543561627277563
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate chemical kinetics modeling is essential for combustion simulations, as it governs the evolution of complex reaction pathways and thermochemical states. In this work, we introduce Kinetic-Mamba, a Mamba-based neural operator framework that integrates the expressive power of neural operators with the efficient temporal modeling capabilities of Mamba architectures. The framework comprises three complementary models: (i) a standalone Mamba model that predicts the time evolution of thermochemical state variables from given initial conditions; (ii) a constrained Mamba model that enforces mass conservation while learning the state dynamics; and (iii) a regime-informed architecture employing two standalone Mamba models to capture dynamics across temperature-dependent regimes. We additionally develop a latent Kinetic-Mamba variant that evolves dynamics in a reduced latent space and reconstructs the full state on the physical manifold. We evaluate the accuracy and robustness of Kinetic-Mamba using both time-decomposition and recursive-prediction strategies. We further assess the extrapolation capabilities of the model on varied out-of-distribution datasets. Computational experiments on Syngas and GRI-Mech 3.0 reaction mechanisms demonstrate that our framework achieves high fidelity in predicting complex kinetic behavior using only the initial conditions of the state variables.
• Abstract（参考訳）: 複雑な反応経路や熱化学状態の進化を管理するため、燃焼シミュレーションには正確な化学動力学モデリングが不可欠である。 本研究では,マンバをベースとしたニューラルネットワークフレームワークであるKineetic-Mambaを紹介し,ニューラルネットワークの表現力と,マンバアーキテクチャの効率的な時間的モデリング機能を統合する。 フレームワークは3つの補完モデルから構成される。 (i)所定の初期条件から熱化学状態変数の時間進化を予測するスタンドアロンのマンバモデル (ii)状態力学を学習しながら大量保存を強制する制約付きマンバモデル、及び (iii)温度依存型レギュレーションのダイナミクスを捉えるために2つのスタンドアローンのマンバモデルを用いたレギュレーションインフォームドアーキテクチャ。 さらに、縮小された潜在空間で力学を進化させ、物理多様体上の全状態を再構成する潜在キネティック・マンバ多様体も開発する。 時間分解法と再帰予測法の両方を用いて,Kineetic-Mambaの精度とロバスト性を評価する。 さらに,様々なアウト・オブ・ディストリビューション・データセット上でモデルの外挿能力を評価する。 Syngas と GRI-Mech 3.0 反応機構の計算実験により, 状態変数の初期条件のみを用いて, 複雑な運動挙動の予測に高い忠実性が得られることを示した。

関連論文リスト

• TSkel-Mamba: Temporal Dynamic Modeling via State Space Model for Human Skeleton-based Action Recognition [59.99922360648663]
  TSkel-Mambaは、空間力学と時間力学の両方を効果的に捉えるハイブリッドトランスフォーマー-Mambaフレームワークである。 MTIモジュールはマルチスケールのCycle演算子を使用して、チャネル間の時間的相互作用をキャプチャする。
  論文  参考訳（メタデータ） (2025-12-12T11:55:16Z)
• Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models [52.74448905289362]
  EqMは、平衡力学の観点から構築された生成モデリングフレームワークである。 時間条件の速度を統一された平衡景観に置き換えることで、EqMは流れとエネルギーベースのモデルの間により緊密な橋渡しを提供する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:06Z)
• Learning Kinetic Monte Carlo stochastic dynamics with Deep Generative Adversarial Networks [0.0]
  本稿では,GAN(Generative Adversarial Networks)が動的学習に有効であることを示す。 本稿では,2次元多粒子系への応用について紹介し,表面積のゆらぎと関連する時間依存性の粗さに着目した。
  論文  参考訳（メタデータ） (2025-07-29T12:48:03Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• State-space models are accurate and efficient neural operators for dynamical systems [23.59679792068364]
  物理インフォームド・機械学習(PIML)は、力学系を予測する古典的な手法の代替として期待されている。 リカレントニューラルネットワーク(RNN)、トランスフォーマー、ニューラル演算子など、既存のモデルでは、長時間の統合、長距離依存性、カオスダイナミクス、外挿といった課題に直面している。 本稿では,Mambaで実装された動的システム演算子学習のための状態空間モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-05T03:57:28Z)
• Physics Informed Machine Learning for Chemistry Tabulation [5.368509527675853]
  動的に生成するThemochemical State Variablesを組み込むため,ChemTabベースの定式化と実装を構築した。 このディープニューラルネットワークアーキテクチャの実装における課題について議論し、その性能を実験的に実証する。
  論文  参考訳（メタデータ） (2022-11-06T04:24:38Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Toward Development of Machine Learned Techniques for Production of Compact Kinetic Models [0.0]
  化学動力学モデルは燃焼装置の開発と最適化に欠かせない要素である。 本稿では、過度に再現され、最適化された化学動力学モデルを生成するための、新しい自動計算強化手法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T12:31:24Z)

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。