論文の概要: KPPax: preprocess differentiable kinetic ODE for machine learning in atmospheric chemistry

• arxiv url: http://arxiv.org/abs/2610.37655v1
• Date: Tue, 27 Oct 2026 17:58:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.742377
• Title: KPPax: preprocess differentiable kinetic ODE for machine learning in atmospheric chemistry
• Title（参考訳）: KPPax:大気化学における機械学習のための前プロセス微分可能運動量ODE
• Abstract要約: 大気化学機構は一般的にKPP(Kineetic PreProcessor)言語で分布する KPPaxは、JAXで微分可能、ジャスト・イン・タイムコンパイル、ベクトル化可能な化学コードを生成する運動前処理系である。
• 参考スコア（独自算出の注目度）: 7.435132146909704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atmospheric chemical mechanisms are commonly distributed in the language of the Kinetic PreProcessor (KPP), which generates efficient Fortran or C code but does not fit into the differentiable programming frameworks in which machine-learning models are developed. We present KPPax, a kinetic preprocessor that generates differentiable, just-in-time compiled, and vectorisable chemistry code in JAX from mechanisms written in the KPP language. KPPax evaluates the rate law with sparse operations in log space, which keeps it differentiable, and integrates the stiff system with the implicit solvers and the forward- and reverse-mode adjoints of the \texttt{diffrax} library, so that exact sensitivities are obtained without hand-derived adjoint code. We demonstrate two applications with the POLLU benchmark mechanism. In the first, the Fisher information matrix computed from an automatically differentiated Jacobian predicts, before any fit, which of the 25 rate coefficients a flow-tube-like design can identify, and noisy synthetic estimation confirms the predicted uncertainties of the nine identifiable rate coefficients to within about 30\% while revealing clusters of fast reactions of which only ratios are constrained. In the second, a neural-network correction of an emission inventory is trained offline on per-scenario 4D-Var retrievals and then fine-tuned online through the chemical model, which reduces the error of the biogenic correction by a factor of 2.4--5 and recovers information on low-temperature emissions that the individual retrievals lose. KPPax makes KPP mechanisms directly usable for parameter estimation and hybrid physics--machine-learning modelling.
• Abstract（参考訳）: 大気化学機構は、効率的なFortranやCコードを生成するKPP(Kineetic PreProcessor)の言語で一般的に分布するが、機械学習モデルが開発された微分可能なプログラミングフレームワークには適合しない。 KPPax は KPP 言語で記述された機構から JAX で微分可能,ジャスト・イン・タイムコンパイル,ベクトル化可能な化学コードを生成する動力学的プリプロセッサである。 KPPax はログ空間におけるスパース演算によるレート法則を評価し、それを微分可能とし、厳密なシステムを暗黙の解法と \texttt{diffrax} ライブラリの前方および逆モードの随伴と統合することにより、手書きの随伴符号なしで正確な感度が得られる。 POLLUベンチマーク機構を用いた2つの応用例を示す。 第一に、自動的に微分されたヤコビアンから計算されたフィッシャー情報行列は、フローチューブのような設計が特定できる25のレート係数のうちどれかが適合する前に予測し、ノイズのある合成推定により、9つの識別可能なレート係数の予測不確かさを約30倍の範囲で確認し、比率のみを制約する高速反応のクラスターを明らかにする。 第2に、エミッションインベントリのニューラルネット補正を、セサリオ4D-Var検索でオフラインでトレーニングし、化学モデルを介してオンラインで微調整することにより、生体原性補正の誤差を2.4〜5倍減らし、個々の検索が失う低温のエミッションに関する情報を回収する。 KPPaxはパラメータ推定とハイブリッド物理-マシンラーニングモデリングにKPP機構を直接使用できるようにする。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder [0.4893345190925178]
  本研究は,構造的健康モニタリングのための物理インフォームドガウスコーパス変分オートエンコーダを提案する。 我々は、潜伏変数の従来の独立性仮定をガウスコプラに置き換える。 その結果、PI-VAEは真の後部分布を正確に回復し、77.2%のカバレッジを達成した。
  論文  参考訳（メタデータ） (2026-07-06T13:02:36Z)
• Controllable Probabilistic Forecasting with Stochastic Decomposition Layers [1.3995263206621]
  本稿では、決定論的機械学習気象モデルをアンサンブルシステムに変換するための分解層(SDL)を提案する。 SDLは3つのデコーダスケールでの学習摂動を、潜在駆動変調、画素ごとのノイズ、チャネルスケーリングを通じて適用する。 転送学習を通じてWXFormerに適用する場合、SDLはベースラインモデルをトレーニングするために必要な計算コストの2%未満を必要とする。
  論文  参考訳（メタデータ） (2025-12-21T17:10:00Z)
• Quick Dense Retrievers Consume KALE: Post Training Kullback Leibler Alignment of Embeddings for Asymmetrical dual encoders [89.29256833403169]
  我々は,高密度検索手法の推論効率を高めるための効率的かつ正確な手法であるKulback Leibler Alignment of Embeddings (KALE)を紹介した。 KALEは、バイエンコーダトレーニング後の従来の知識蒸留を拡張し、完全なリトレーニングやインデックス生成なしに効率的なクエリエンコーダ圧縮を可能にする。 KALEと非対称トレーニングを用いることで、3倍高速な推論を持つにもかかわらず、DistilBERTの性能を超えるモデルを生成することができる。
  論文  参考訳（メタデータ） (2023-03-31T15:44:13Z)
• Adaptive physics-informed neural operator for coarse-grained non-equilibrium flows [0.0]
  このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。 提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。 0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
  論文  参考訳（メタデータ） (2022-10-27T23:26:57Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)
• Predictive Coding Approximates Backprop along Arbitrary Computation Graphs [68.8204255655161]
  我々は、コア機械学習アーキテクチャを予測的符号化に翻訳する戦略を開発する。 私たちのモデルは、挑戦的な機械学習ベンチマークのバックプロップと同等に機能します。 本手法は,ニューラルネットワークに標準機械学習アルゴリズムを直接実装できる可能性を高める。
  論文  参考訳（メタデータ） (2020-06-07T15:35:47Z)

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。