化学平衡的Kolmogorov-Arnold 代理模型：用于固体溶解剂的应用
机器学习
2026-03-17 v1 化学物理
摘要
地球化学求解器的计算成本是一大挑战。对于需要执行数十亿次化学计算的反应输运仿真,降低总计算时间至关重要。已有文献探索了 various machine-learning 方法以确定最有效的数据驱动代理模型。特别是,多层感知器因其识别非线性关系的能力而广泛使用。在本工作中,我们关注最近的Kolmogorov-Arnold 网络,其中可学习的样条基函数取代经典的固定激活函数。该架构在更少的可训练参数下实现了更高的精度,并日益流行于求解偏微分方程。在已有的水泥系统基准上进行训练后,我们转向核废料地质封存的应用案例,即确定放射性核素含量固体溶解度。鉴于目前尚无人使用数据驱动代理模型来考察放射性核素共沉淀与掺杂,本工作从简单机械混合物到二元(Ba,Ra)SO和三元(Sr,Ba,Ra)SO系统的非理想固体溶解剂,考虑日益复杂的热力学条件。我们在水泥基准上展示,Kolmogorov-Arnold 架构在绝对误差和相对误差指标上均优于多层感知器,分别降低了62%和59%。在二元和三元放射钡固体溶解模型上,Kolmogorov-Arnold 网络保持中位数预测误差接近。这标志着着手使用代理模型加速反应输运仿真并优化深层地质废料库安全评估的第一步。
引用
@article{arxiv.2603.15307,
title = {A Kolmogorov-Arnold Surrogate Model for Chemical Equilibria: Application to Solid Solutions},
author = {Leonardo Boledi and Dirk Bosbach and Jenna Poonoosamy},
journal= {arXiv preprint arXiv:2603.15307},
year = {2026}
}