基于神经网络模拟实现大气化学建模的数量级加速
大气与海洋物理
2018-08-14 v1 计算物理
机器学习
摘要
化学传输模型（CTMs）模拟空气污染物的传输、转化和清除，计算代价高昂，很大程度上因为化学机制的计算密集性：代表大气化学的耦合微分方程组。本文研究机器学习复现化学机制行为却降低计算开销的潜力。我们创建了一种 17 层残差多目标回归神经网络来模拟 Carbon Bond Mechanism Z（CBM-Z）气相化学机制。我们将网络训练为匹配 CBM-Z 在一小时后 77 种化学物种浓度变化的预测，给定一系列化学和气象输入条件，其能够以小于 1.97 ppb 的均方根误差（RMSE）（中位 RMSE = 0.02 ppb）做到这一点，同时实现 250 倍计算加速。通过在图形处理单元（GPU）上运行神经网络，实现了额外的 17 倍加速（总计 4250 倍加速）。该神经网络能够使用欧拉积分在日循环上复现化学系统的涌现行为，但还需额外工作以约束随模拟时间推进的误差传播。
引用
@article{arxiv.1808.03874,
title = {Orders-of-magnitude speedup in atmospheric chemistry modeling through neural network-based emulation},
author = {Makoto M. Kelp and Christopher W. Tessum and Julian D. Marshall},
journal= {arXiv preprint arXiv:1808.03874},
year = {2018}
}
备注
Computer code for training the neural network emulator and the trained model (CSV and python scripts) and supplemental text and figures (PDF) are available by request by emailing corresponding author Christopher Tessum