論文の概要: Accelerating Chemical Kinetics for Exoplanet Atmospheres using Neural Networks
- arxiv url: http://arxiv.org/abs/2609.00428v1
- Date: Mon, 31 Aug 2026 22:06:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.107539
- Title: Accelerating Chemical Kinetics for Exoplanet Atmospheres using Neural Networks
- Title（参考訳）: ニューラルネットワークを用いた外惑星大気の化学反応の加速
- Abstract要約: 本研究では,太陽系外惑星大気に対する局所箱型ケミカル・キネティクス・ソルバについて述べる。
この代理モデルは古典的解法よりも数桁高速であることを示す。
- 参考スコア（独自算出の注目度）: 9.124385923310646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Observations increasingly reveal the coupled radiative, chemical, and dynamical processes that shape exoplanet atmospheres. Interpreting these atmospheres requires models that can capture this complexity. However, multidimensional models remain fundamentally limited by computational cost, and answering key questions requires simulating the governing physical mechanisms at speeds classical methods cannot achieve. As a result, models often rely on simplifying approximations, such as equilibrium chemistry, even when those assumptions miss important effects. There is a pressing need for fast and accurate chemical kinetics solvers to model planetary atmospheres. Here we present a machine learning local-box chemical kinetics solver for exoplanet atmospheres using a residual flow-map architecture. We demonstrate that this surrogate model is several orders of magnitude faster than a classical solver, achieving microsecond-scale inference while retaining percent-level accuracy. The surrogate model covers a parameter space that spans $T=300$-$3000$ K, $P=10^{-6}$-$10^{4}$ bar, $Δt=10^{-3}$-$10^{8}$ s, and compositions ranging from $10^{-2}$ to $10^{3}$ times solar in both C/O ratio and metallicity. Our model outperforms several commonly used machine learning architectures and performs robustly under the extreme stiffness characteristic of atmospheric chemistry. The machine learning framework presented here is a flexible and efficient approach to emulating state-to-state flow-map problems that commonly arise in numerical simulations.
- Abstract（参考訳）: 観測により、太陽系外惑星の大気を形成する放射性、化学的、動的過程が明らかになってきた。
これらの雰囲気を解釈するには、この複雑さを捉えるモデルが必要である。
しかし、多次元モデルは計算コストによって基本的に制限されており、鍵となる疑問に答えるには、古典的な手法では達成できない速度で制御物理機構をシミュレートする必要がある。
その結果、モデルはしばしば、重要な効果を見逃しても平衡化学のような近似を単純化することに依存する。
惑星の大気をモデル化するためには、迅速かつ正確な化学動力学解法が必要である。
ここでは、残留フローマップアーキテクチャを用いて、太陽系外惑星大気に対する機械学習局所箱式ケミカル・キネティクス・ソルバについて述べる。
このサロゲートモデルは古典的解法よりも数桁高速であり、パーセンテージレベルの精度を維持しながらマイクロ秒スケールの推論を実現する。
代理モデルは、$T=300$-$3000$K、$P=10^{-6}$-$10^{4}$ bar、$Δt=10^{-3}$-$10^{8}$ sのパラメータ空間と、C/O比と金属比の両方で10^{-2}$から10^{3}$の太陽倍の組成をカバーしている。
我々のモデルは、よく使われる機械学習アーキテクチャより優れており、大気化学の極端な硬さ特性の下で頑健に機能する。
ここで提示される機械学習フレームワークは、数値シミュレーションで一般的に発生する状態間フローマップ問題をエミュレートするための柔軟で効率的なアプローチである。
関連論文リスト
- Ultrafast and high resolution spatial light modulation for cold atoms [70.8440518934986]
本研究では,局所的な化学ポテンシャル,トンネルの振幅,オンサイト相互作用,人工磁束のパターンを時間依存で制御し,完全にプログラム可能なHubbardモデルの構築と数値検証を行う。
同じアーキテクチャは2次元のツイーザーの高速で任意の置換を行い、高速な誤り訂正符号の設計から光学的制約を分離する。
論文 参考訳（メタデータ） (2026-08-18T17:56:25Z) - Learning the Stellar Structure Equations via Self-supervised Physics-Informed Neural Networks [1.0908273489097318]
恒星構造方程式を解くためのメッシュフリーで微分可能なアプローチを提供する物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
我々の知る限り、これは恒星構造方程式がPINNを用いて完全に自己教師付きかつデータフリーな方法で解けるという最初の実証である。
論文 参考訳（メタデータ） (2026-04-06T20:59:03Z) - Quantum algorithm for simulating non-adiabatic dynamics at metallic surfaces [0.034998703934432676]
分子-金属界面における非断熱力学は、様々な技術的に重要な現象を制御している。
我々は,現実的な分子-金属界面をシミュレーションするための高度に最適化された量子アルゴリズムを開発した。
論文 参考訳（メタデータ） (2026-01-22T19:00:07Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z) - OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems [64.69217059173184]
OrbitAllは、幾何学および物理インフォームドディープラーニングフレームワークである。
任意の電荷、スピン、環境効果を持つ任意の分子系を表現し、処理することができる。
競合するAIモデルよりも10倍少ないトレーニングデータを使用して、化学精度を達成し、密度汎関数理論と比較して約103$ - 104$のスピードアップを実現している。
論文 参考訳（メタデータ） (2025-07-05T01:21:56Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - Emulating the interstellar medium chemistry with neural operators [0.0]
銀河の形成と進化は、星間物質(ISM)の進化と熱力学を管理する複雑な光化学過程の理解に依存している
本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。
我々は、DeepONet形式を採用することにより、H$(9種、52反応)までの非平衡化学ネットワークをエミュレートする。
単一ゾーンモデルに対して$textttKROME$で得られる参照解と比較すると、得られた典型的な精度は10-2$である。
論文 参考訳（メタデータ） (2024-02-19T19:00:01Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳（メタデータ） (2023-06-19T06:02:53Z) - Using a neural network approach to accelerate disequilibrium chemistry
calculations in exoplanet atmospheres [0.0]
本研究では,1次元化学動力学符号の数学的枠組みを置き換えるニューラルネットワークの実装に着目する。
ネットワークのアーキテクチャは、各入力変数に対する個々のオートエンコーダで構成され、入力次元を減少させる。
その結果, 混合比, 恒星スペクトル, 圧力プロファイルのオートエンコーダは, データの符号化および復号化に極めて成功していることがわかった。
論文 参考訳（メタデータ） (2023-06-12T12:39:21Z) - Neural networks: solving the chemistry of the interstellar medium [0.0]
非平衡化学は、天体物理学シミュレーションに含めるのが最も難しい課題の一つである。
PINNを動力とするシミュレーションは、天体物理学と宇宙論の問題において複雑な化学計算を解くのに便利な方法である。
論文 参考訳（メタデータ） (2022-11-28T19:00:01Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z)
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。