将化学推向规模：热化学过程深度学习中多元回归的损失权重调整
机器学习
2023-08-07 v1 计算工程、金融与科学
摘要
Flamelet模型广泛应用于计算流体动力学中以模拟湍流燃烧中的热化学过程。这些模型通常采用预先确定且代表待模拟燃烧过程的高内存消耗查找表。人工神经网络（ANNs）提供了一种深度学习方法，可用少量网络权重存储该表格数据，有望将复杂模拟的内存需求降低数个数量级。然而，具有标准训练损失的ANN在多元回归任务中常难以处理代表性不足的目标，例如在学习作为查找表一部分的微量组分质量分数时。本文致力于提升ANN在学习氢气（\ce{H2}）燃烧查找表多种组分质量分数时的精度。我们评估了一种简单而有效的损失权重调整方法，其优于标准均方误差优化，并能准确学习所有组分质量分数，即便是标准优化完全失效的微量组分。此外，我们发现损失权重调整使网络训练中的梯度更为平衡，这解释了其有效性。
引用
@article{arxiv.2308.01954,
title = {Bringing Chemistry to Scale: Loss Weight Adjustment for Multivariate Regression in Deep Learning of Thermochemical Processes},
author = {Franz M. Rohrhofer and Stefan Posch and Clemens Gößnitzer and José M. García-Oliver and Bernhard C. Geiger},
journal= {arXiv preprint arXiv:2308.01954},
year = {2023}
}
备注
8 pages. Part of Scientific Computing 2023 Conference Proceedings (ISBN e-Book: 978-3-903318-20-5)