利用自编码器和神经常微分方程加速天体化学反应网络
星系天体物理
2023-12-12 v1 机器学习
摘要
在天体物理学中，求解复杂的化学反应网络至关重要，但由于常微分方程系统的高维度和刚性，计算成本很高。传统的降低计算负荷的方法通常专门针对特定化学网络，且需要专家知识。本文介绍了一种基于机器学习的解决方案，采用自编码器进行降维，并利用潜在空间神经常微分方程求解器来加速天体化学反应网络计算。此外，我们提出了一种经济高效的潜在空间线性函数求解器作为神经常微分方程的替代方案。这些方法在一个包含 29 种化学物质和 224 个反应的数据集上进行了评估。我们的结果表明，神经常微分方程相比基线模型实现了 55 倍的加速，同时保持了显著更高的精度，相对误差降低了多达两个数量级。此外，线性潜在模型提高了精度，相比标准方法实现了高达 4000 倍的加速。
引用
@article{arxiv.2312.06015,
title = {Speeding up astrochemical reaction networks with autoencoders and neural ODEs},
author = {Immanuel Sulzer and Tobias Buck},
journal= {arXiv preprint arXiv:2312.06015},
year = {2023}
}
备注
Accepted at the "Machine Learning and the Physical Sciences" Workshop at Neurips, 2023