論文の概要: A graph neural network based chemical mechanism reduction method for combustion applications

• arxiv url: http://arxiv.org/abs/2603.22318v1
• Date: Fri, 20 Mar 2026 09:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.055225
• Title: A graph neural network based chemical mechanism reduction method for combustion applications
• Title（参考訳）: グラフニューラルネットワークを用いた燃焼応用のための化学機構低減法
• Authors: Manuru Nithin Padiyar, Priyabrat Dash, Konduri Aditya,
• Abstract要約: グラフニューラルネットワーク(GNN)に基づく2つのデータ駆動型化学機構低減式を提案する。 最初の定式化であるGNN-SMは、幅広い原子炉条件を横断する還元を導くために、事前訓練されたサロゲートモデルを採用している。 第2の定式化であるGNN-AEは、オートエンコーダの定式化を用いて、訓練中に使用される熱化学的条件の中で正確である高度にコンパクトな機構を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Direct numerical simulations of turbulent reacting flows involving millions of grid points and detailed chemical mechanisms with hundreds of species and thousands of reactions are computationally prohibitive. To address this challenge, we present two data-driven chemical mechanism reduction formulations based on graph neural networks (GNNs) with message-passing transformer layers that learn nonlinear dependencies among species and reactions. The first formulation, GNN-SM, employs a pre-trained surrogate model to guide reduction across a broad range of reactor conditions. The second formulation, GNN-AE, uses an autoencoder formulation to obtain highly compact mechanisms that remain accurate within the thermochemical regimes used during training. The approaches are demonstrated on detailed mechanisms for methane (53 species, 325 reactions), ethylene (96 species, 1054 reactions), and iso-octane (1034 species, 8453 reactions). GNN-SM achieves reductions comparable to the established graph-based method DRGEP while maintaining accuracy across a wide range of thermochemical states. In contrast, GNN-AE achieves up to 95% reduction in species and reactions and outperforms DRGEP within its target conditions. Overall, the proposed framework provides an automated, machine-learning-based pathway for chemical mechanism reduction that can complement traditional expert-guided analytical approaches.
• Abstract（参考訳）: 数百万の格子点と数百の種と数千の反応を伴う詳細な化学機構を含む乱流反応流の直接数値シミュレーションは、計算的に禁止されている。 この課題に対処するために、グラフニューラルネットワーク(GNN)に基づく2つのデータ駆動型化学機構の低減式と、種と反応間の非線形依存関係を学習するメッセージパッシングトランスフォーマー層を提案する。 最初の定式化であるGNN-SMは、幅広い原子炉条件を横断する還元を導くために、事前訓練されたサロゲートモデルを採用している。 第2の定式化であるGNN-AEは、オートエンコーダの定式化を用いて、訓練中に使用される熱化学的条件の中で正確である高度にコンパクトな機構を得る。 これらのアプローチは、メタン(53種、325反応)、エチレン(96種、1054反応)、イソオクタン(1034種、8453反応)の詳細なメカニズムで実証されている。 GNN-SMは、確立されたグラフベースのDRGEPに匹敵する低減を実現し、幅広い熱化学状態の精度を維持した。 対照的に、GNN-AEは最大95%の種や反応を減少させ、DRGEPを目標条件で上回る。 全体として、提案するフレームワークは、従来の専門家が指導する分析手法を補完する、化学機構の削減のための自動化された機械学習ベースの経路を提供する。

関連論文リスト

• DeepMech: A Machine Learning Framework for Chemical Reaction Mechanism Prediction [2.15242029196761]
  本稿では,化学反応機構を生成するための解釈可能なグラフベースディープラーニングフレームワークであるDeepMechを提案する。 DeepMechは、初歩予測において98.98 +/-0.12%の精度と完全なCRMタスクにおいて95.94 +/-0.21%の精度を達成する。
  論文  参考訳（メタデータ） (2025-09-19T11:14:46Z)
• Interpretable Deep Learning for Polar Mechanistic Reaction Prediction [43.95903801494905]
  PMechRP(Polar Mechanistic Reaction Predictor)は,PMechDBデータセット上で機械学習モデルをトレーニングするシステムである。 私たちは、トランスフォーマーベース、グラフベース、および2段階のシアムアーキテクチャを含む、さまざまな機械学習モデルの比較をトレーニングします。 私たちの最高のパフォーマンスのアプローチはハイブリッドモデルで、5アンサンブルのChemformerモデルと2ステップのSiameseフレームワークを組み合わせたものです。
  論文  参考訳（メタデータ） (2025-04-22T02:31:23Z)
• 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)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• ReactAIvate: A Deep Learning Approach to Predicting Reaction Mechanisms and Unmasking Reactivity Hotspots [4.362338454684645]
  我々は,反応ステップ分類の精度を96%とほぼ均一に達成した,解釈可能な注意に基づくGNNを開発した。 我々のモデルは、配布外クラスからでも、キー原子を十分に識別します。 この一般性は、モジュラーな方法で新しい反応型を包含することができるため、新しい分子の反応性を理解するための専門家にとって価値がある。
  論文  参考訳（メタデータ） (2024-07-14T05:53:18Z)
• 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)
• A deep learning-based model reduction (DeePMR) method for simplifying chemical kinetics [10.438320849775224]
  The DeePMR is proposed and validationed using high-teature auto-ignitions, perfect stired reactors (PSR), and one-dimensional free propagating flames of n-heptane/air mixtures。 DeePMRの鍵となる考え方は、最適化問題における目的関数を定式化するためにディープニューラルネットワーク(DNN)を使用することである。
  論文  参考訳（メタデータ） (2022-01-06T12:31:32Z)
• 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)
• 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。