AMORE：适用于刚性化学动力学的自适应多输出算子网络
机器学习
2026-05-19 v2 机器学习
摘要
刚性系统的时间积分是燃烧、高超声速及其他反应输运系统计算成本的主要来源。这种刚性会引入显著小于其他物理过程相关的时间尺度，要求显式方案采用极小时间步长或计算密集的隐式方法。因此，缓解刚性带来的挑战的策略至关重要。虽然神经算子（DeepONet）可作为刚性动力学的替代模型，但需要可靠的算子学习策略来合理地考虑输出变量与样本之间的误差差异。本文发展了AMORE（Adaptive Multi-Output Operator Network），一个包含能够预测多个输出的算子和自适应损失函数以确保可靠算子学习的框架。该算子从给定初始条件预测所有热力学状态。我们在框架中提出两种自适应损失函数，考虑每个状态变量和样本的误差以对损失函数进行惩罚。我们设计的树干自动满足单位唯一性。为严格执行质量分数约束，我们提出一种可逆解析映射，将n维的物质分数向量转换为（n-1）维空间。我们将所提出的自适应损失函数扩展到树干和分支训练中的DeepONet多输出训练的两阶段训练中。我们通过对预测的物质分数使用softmax函数实现另一种严格的质量分数约束。我们通过两个示例演示了方法的有效性和适用性：包括12个状态的合成气（syngas）和GRI-Mech 3.0中24个活跃状态（总计54个）。所提出的DeepONet将是未来CFD研究的骨架，用于加速湍流燃烧模拟。AMORE是通用框架，本文还演示其适用于FNO。
引用
@article{arxiv.2510.12999,
title = {AMORE: Adaptive Multi-Output Operator Network for Stiff Chemical Kinetics},
author = {Kamaljyoti Nath and Additi Pandey and Bryan T. Susi and Hessam Babaee and George Em Karniadakis},
journal= {arXiv preprint arXiv:2510.12999},
year = {2026}
}