論文の概要: Evaluation of optimisation and Bayesian inference methods for reaction rates in atmospheric chemical mechanisms

• arxiv url: http://arxiv.org/abs/2609.14569v1
• Date: Sun, 13 Sep 2026 14:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.854867
• Title: Evaluation of optimisation and Bayesian inference methods for reaction rates in atmospheric chemical mechanisms
• Title（参考訳）: 大気化学機構における反応速度の最適化とベイズ推定法の評価
• Abstract要約: ODE制約されたニューラルネットワーク最適化とマルコフ連鎖モンテカルロアプローチの2つの補完的アプローチが比較される。 非摂動・低雑音合成観測では、どちらの手法も既知の速度係数に収束した。 MCMCは高雑音条件下では, 速度係数の回復においてかなり頑健であった。
• 参考スコア（独自算出の注目度）: 8.523756077573376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constraining reaction rate coefficients is a central challenge in the development of explicit atmospheric chemical mechanisms, particularly for autoxidation systems where many reaction pathways are only indirectly observed through high-resolution mass spectrometry. In this study, we evaluate rate-coefficient optimisation methods for a toy-case autoxidation mechanism using synthetic data with known ground truth. Two complementary approaches are compared: ODE-constrained neural-network optimisation, which provides efficient point estimates of uncertain rate coefficients, and the Markov Chain Monte Carlo (MCMC) approach, which samples the posterior distribution of rate coefficients and quantifies parameter uncertainty. The methods are tested using direct concentration observations and mass-spectral observations under different noise levels. For unperturbed and low-noise synthetic observations, both methods converged towards the known rate coefficients, with the neural-network optimiser providing faster point estimates. Under high-noise conditions (with the signal-to-noise ratio approximately S / N = 1), however, MCMC was substantially more robust in recovering the rate coefficients. The posterior analysis shows that mass-spectral aggregation broadens credible intervals even at low noise, and that high-noise mass spectra can leave many individual reaction rates weakly identifiable. Posterior predictive validation nevertheless shows how broad parameter uncertainty constrained by MCMC remains consistent with accurate reproduction of the observable mass spectrum. These results demonstrate that point-estimation and Bayesian sampling methods provide complementary information: neural-network optimisation is effective for informative data, whereas MCMC is essential for diagnosing uncertainty, non-uniqueness, and identifiability in noisy or aggregated inverse problems.
• Abstract（参考訳）: 反応速度係数の制約は、特に多くの反応経路が高分解能質量分析法によって間接的にのみ観察される自動酸化システムにおいて、明示的な大気化学機構の開発において中心的な課題である。 本研究では, 合成データを用いた玩具ケース自動酸化機構の速度係数最適化法について検討した。 ODE制約されたニューラルネットワーク最適化は、不確かさ係数の効率的な点推定を提供するもので、マルコフ・チェイン・モンテカルロ(MCMC)アプローチは、レート係数の後方分布をサンプリングし、パラメータの不確かさを定量化する。 これらの手法は, ノイズレベルの異なる直接濃度観測と質量スペクトル観測を用いて試験した。 摂動・低雑音合成観測では、どちらの手法も既知の速度係数に収束し、ニューラルネットワークオプティマイザはより高速な点推定を提供する。 しかし、高雑音条件下では(信号対雑音比はS/N=1)、MCMCはレート係数の回復においてかなり頑健であった。 後部分析では、低雑音下においても質量スペクトル凝集が信頼区間を拡大し、高雑音質量スペクトルが多くの個々の反応速度を弱く識別できることが示されている。 いずれにせよ, MCMCによる広いパラメータの不確実性は, 観測可能な質量スペクトルの正確な再現と一致している。 ニューラルネットワークの最適化は情報処理に有効であるのに対し、MCMCはノイズや集約された逆問題における不確実性、非特異性、識別可能性の診断に不可欠である。

関連論文リスト

• Heteroscedastic Neural Surrogate Modeling for Robust and Rapid Bayesian Inference in Fusion Plasma Diagnostics [1.1961510466705991]
  本稿では,高速かつ堅牢なMCMC推論のためのニューラルネットワークに基づく確率的サロゲートフレームワークを提案する。 提案手法では,予測物理放射スペクトルとチャネルワイド内在性測定ノイズ分散を同時に推定するために,デュアルヘッドアーキテクチャを用いる。 このサロゲートフレームワークは、正確な物理フォワードモデルよりも1500倍加速し、同時に推論誤差(RMSE)を標準ホモシダスティック神経ベースラインに比べて20%削減することを示した。
  論文  参考訳（メタデータ） (2026-08-19T18:45:56Z)
• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• Optimal multiparameter quantum estimation in accelerating Unruh-DeWitt detectors [0.09236074230806578]
  本研究では、一様加速検出器のバイパートライト系における相対論的量子温度測定の最終的な精度限界について検討する。 消音ノイズは, 純粋に強調するメカニズムよりも, より高精度なノイズ損失をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-03-08T01:35:45Z)
• Improving Minimax Estimation Rates for Contaminated Mixture of Multinomial Logistic Experts via Expert Heterogeneity [49.809923981964715]
  凍結したエキスパートとして機能する事前訓練されたモデルを、新しいタスクを学ぶためにトレーニング可能なエキスパートとして機能するアダプタモデルに統合するトランスファー学習手法によって、汚染された専門家の混合(MoE)が動機付けられる。 本研究は, 地絡パラメータがサンプルサイズによって異なる困難な条件下で, パラメータを推定するための一様収束率を特徴付ける。 また、対応するミニマックス下限を定め、これらのレートがミニマックス最適であることを保証する。
  論文  参考訳（メタデータ） (2026-01-31T23:45:50Z)
• Conditional Generative Framework with Peak-Aware Attention for Robust Chemical Detection under Interferences [3.976291254896486]
  本稿では,ピーク対応条件生成モデルに基づく人工知能識別フレームワークを提案する。 このフレームワークは、GC-MSデータの特徴的ピークをハイライトする新しいピーク対応メカニズムで学習される。 さらに、化学および溶媒情報は、それに埋め込まれた潜伏ベクトルに符号化され、条件付き生成対向ニューラルネットワークが合成GC-MS信号を生成する。
  論文  参考訳（メタデータ） (2026-01-29T04:10:37Z)
• Optimal Multiparameter Quantum Estimation of Magnonic Couplings in a Magnomechanical Cavity [0.0]
  本稿では,結合の同時推定精度を$G_mc$と$G_mb$で向上させる実験的な手法を提案する。 また, ある条件下では, ヘテロダイン検出がQFIMの最終的な精度に近づきやすいことを示す。 このことから, ヘテロダイン検出に基づく測定戦略は, 結合を推定するための効率的かつ実用的な経路を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-15T20:45:26Z)
• Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification [0.0]
  我々はモンテカルロの投棄を統合し、高速で微分可能な線量予測を提供するニューラルネットワークサロゲートを開発した。 この手法は不確実性情報を保持しつつ,MC上での大幅な高速化を実現する。 プロトン療法におけるロバストな計画、適応的計画、不確実性を考慮した最適化への統合に適している。
  論文  参考訳（メタデータ） (2025-09-16T19:54:49Z)
• Reverse Diffusion Monte Carlo [19.35592726471155]
  逆拡散モンテカルロ(rdMC)と呼ばれる新しいモンテカルロサンプリングアルゴリズムを提案する。 rdMCはマルコフ連鎖モンテカルロ(MCMC)法とは異なる。
  論文  参考訳（メタデータ） (2023-07-05T05:42:03Z)
• Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
  非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。 鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
  論文  参考訳（メタデータ） (2023-05-24T20:43:47Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。