KiNet：化学动力学的深度神经网络表示

深度学习是一种从实验数据自动建立动力学模型的潜在方法。我们提出一种深度神经网络模型 KiNet 来表示化学动力学。KiNet 接收当前组分状态并预测固定时间步后状态的演化。通过多次递归应用 KiNet 模型，可高效获得状态的长周期演化及其对模型参数的梯度。为应对高维组分空间与长周期预测中的误差累积挑战，KiNet 的架构融合了残差网络模型（ResNet），且训练采用时间反向传播（BPTT）方法以最小化多步预测误差。此外，提出一种高效计算点火延迟时间（IDT）对 KiNet 模型参数梯度的方法，用以针对文献中丰富的 IDT 数据库训练 KiNet，从而可解决时间分辨物种测量稀缺的问题。KiNet 首先被训练并与 H2/空气混合物自燃过程中的模拟物种剖面进行比较。所得 KiNet 模型能准确预测覆盖宽范围压力、温度和当量比的各种初始条件下的自燃过程。随后，我们展示 IDT 对 KiNet 模型参数的梯度与点火点处温度梯度平行。该关联使得通过反向传播高效计算 IDT 梯度成为可能，并被证明是针对 IDT 微调 KiNet 的可行途径。这些演示应可开启自主构建数据驱动动力学模型的可能性。最后，训练后的 KiNet 有望应用于湍流燃烧模拟中的动力学模型简化与化学加速。