通过可解释自编码器降低化学网络的复杂度
天体物理仪器与方法
2022-12-21 v2 化学物理
摘要
在许多天体物理应用中，求解由常微分方程（ODEs）系统表示的化学网络的计算代价随网络规模显著增长，且常成为显著的计算瓶颈，尤其在耦合化学-动力学模型中。尽管标准数值技术与针对热化学定制的复杂解法能在一定程度上降低成本，但近来机器学习算法已开始借助数据驱动的降维技术应对这一挑战。本工作中，我们提出一类新方法，利用机器学习技术降低复杂数据集（自编码器）、多参数系统优化（标准反向传播）以及成熟 ODE 求解器的鲁棒性，以显式纳入时间依赖性。该新方法使我们能以半自动化方式找到大型化学网络的压缩简化版本，可用标准 ODE 求解器求解，同时实现对压缩潜网络的解释性。作为概念验证，我们在一个含 29 种物质与 224 个反应的天体物理相关化学网络上测试了该方法，获得了仅含 5 种物质与 12 个反应的简化但具代表性的网络，并实现 65 倍加速。
引用
@article{arxiv.2104.09516,
title = {Reducing the complexity of chemical networks via interpretable autoencoders},
author = {T. Grassi and F. Nauman and J. P. Ramsey and S. Bovino and G. Picogna and B. Ercolano},
journal= {arXiv preprint arXiv:2104.09516},
year = {2022}
}
备注
accepted A&A, code available at https://bitbucket.org/tgrassi/latent_ode_paper/