用于大气化学ODE的神经网络模拟器

大气化学建模复杂且计算密集。鉴于深度神经网络在数字信号处理领域的最新进展，我们提出了用于快速化学浓度建模的神经网络模拟器（Neural Network Emulator, NNE）。我们将大气化学视为时间依赖的常微分方程（ODE）。为提取初始状态与未来时间演化之间的隐藏关联，我们提出了基于注意力机制的神经网络模拟器（ChemNNE），可将大气化学建模为神经ODE过程。为高效模拟化学变化，我们提出了正弦时间嵌入来估计随时间的振荡趋势。更重要的是，我们使用傅里叶神经算子来模型化ODE过程以实现高效计算。我们还提出了三个物理感知损失来监督训练优化。为评估我们的模型，我们构建了一个大规模化学数据集，可用于神经网络训练和评估。广泛的实验表明，我们的方法在建模精度和计算速度方面实现了最先进的性能。