ChemKANs：用于燃烧化学建模与加速

由于大型ODE系统和时间尺度差异巨大，燃烧化学模型的推断与应用具有挑战性。机器学习技术被提出以简化这些模型，但强非线性和数值刚性综合以及噪声数据源的存在，使得其应用面临挑战。本文引入ChemKANs，这是一种新的神经网络框架，既可用于模型推断，也可用于仿真加速。ChemKANs的新结构将通用Kolmogorov Arnold Network Ordinary Differential Equations（KAN-ODEs）增强为融合相关动力学和热力学定律中信息流的知识。这种化学特定结构结合底层KAN-ODE算法的表达性和快速神经网络扩展能力，赋予ChemKANs强大的归纳偏置、简化的训练过程以及高精度预测能力，同时通过在所有输入和输出之间共享信息实现参数稀疏化。在模型推断研究中，我们基准测试了ChemKANs对稀疏数据（含最高15%噪声）和冗余大型网络参数化的鲁棒性。我们发现ChemKANs在所有这些训练情况下均不存在过拟合或模型退化，显示出对常见深度学习故障模式的显著韧性。进一步地，我们发现一个极简的参数化ChemKAN（仅344个参数）能够准确地表示氢燃烧化学，为通用于大规模湍流流动仿真的求解器提供2倍的加速。这些实验表明，ChemKANs作为面向燃烧物理和化学动力学模型推断和仿真加速的稳健、高表达和高效工具具有巨大的潜力。