用于求解参数化与刚性反应系统的 PINNs 中的可微化学
机器学习
2026-05-07 v1
摘要
从神经常微分方程到连续时间机器学习，可微求解器使得物理、优化和模拟成为深度学习系统中可训练的组件。这为科学计算开辟了新一代深度学习框架的道路，许多极具前景的应用仍在不断涌现。本文将一个可微化学求解器集成到改进的物理信息神经网络中，以求解本质刚性的参数化反应系统。所提出的框架引入了克服标准物理信息神经网络局限性所需的几个关键组件。这些组件包括一个可微化学求解器、一个用于参数化解的网络架构，以及针对刚性反应量身定制的残差加权。我们在一组与氢燃烧相关的微分方程上评估了该框架，其中包括初值/边值问题、逆参数识别以及一个参数化偏微分方程。我们的结果突出了所提方法将物理信息神经网络扩展到以前无法处理的刚性化学系统的能力。
引用
@article{arxiv.2605.04708,
title = {Differentiable Chemistry in PINNs for Solving Parameterized and Stiff Reaction Systems},
author = {Miloš Babić and Franz M. Rohrhofer and Stefan Posch},
journal= {arXiv preprint arXiv:2605.04708},
year = {2026}
}