利用神经算子模拟星际介质化学

星系的形成与演化关键取决于理解支配星际介质 (ISM) 演化和热力学的复杂光化学过程。在计算上，求解化学过程是宇宙学和天体物理模拟中最繁重的任务之一。这种非平衡光化学网络的演化依赖于隐式、精确但计算昂贵的常微分方程 (ODE) 求解器。在此，我们旨在用基于神经算子的快速预训练模拟器来替代此类过程式求解器。我们采用 DeepONet 形式，即将映射初始条件和时间演化的 ODE 求解器算子分解为两个神经网络的张量积，从而模拟直至 H$_2$ 形成的非平衡化学网络（9 种组分，52 个反应）。我们使用 $\texttt{KROME}$ 生成训练集，覆盖范围为 $-2\leq \log(n/\mathrm{cm}^{-3}) \leq 3.5$，$\log(20) \leq\log(T/\mathrm{K}) \leq 5.5$，$-6 \leq \log(n_i/n) < 0$，并采用在 10 个能量 bin 中采样且具有连续性先验的入射辐射场 $\textbf{F}$。我们分别对 $T$ 和每个 $n_i$ 的求解器进行训练，耗时约 $4.34\,\rm GPUhrs$。与 $\texttt{KROME}$ 获得的单区模型参考解相比，典型精度约为 $10^{-2}$，即比之前的模拟器提高了 10 倍，而训练成本却降低了 40 倍（尽管之前的模拟器仅考虑了固定的 $\mathbf{F}$）。当前模型相较于刚性 ODE 求解器实现了 128 倍的加速。我们的神经模拟器代表了 ISM 化学建模的重大飞跃，在精度、通用性和计算效率之间提供了良好的平衡。