量化骨骼学习（QSL）：用于化学机制骨骼化的数值编程方法
化学物理
2025-10-17 v1
摘要
本文提出了一种数据驱动的方法，称为量化骨骼学习（Quantized Skeletal Learning, QSL），用于生成骨骼机制。该方法包含两个关键组件：（1）一个可用于消除相对不重要的物种和反应的权重向量；（2）一个端到端的数值可微程序，其损失函数对权重向量的梯度可用于调整这些权重。为促进权重向量的稀疏性——并将某些反应或物种的影响降至零——本文采用 正则化目标函数，辅以标准均方误差损失，从而消除最不重要的组件。通过基于 GRI 3.0 和 USC II 机制分别生成甲烷和乙烯的骨骼机制，验证了所提出的 QSL 方法的有效性，展示了其在提取不同保真度下骨骼机制方面的能力。测试了两种 QSL 变体，分别称为 QSL-R 和 QSL-S，前者聚焦于消除反应，后者聚焦于消除物种。对点火延迟时间和物种质量分数的分析表明，QSL 能够可靠且高效地从详细机制中提取出不同保真度的数据驱动骨骼机制。
引用
@article{arxiv.2510.14017,
title = {Quantized Skeletal Learning (QSL): A Differentiable Programming Approach for Skeletal Reduction of Chemical Mechanisms},
author = {Opeoluwa Owoyele},
journal= {arXiv preprint arXiv:2510.14017},
year = {2025}
}