Accelerated Integration of Stiff Reactive Systems Using Gradient-Informed Autoencoder and Neural Ordinary Differential Equation
Este estudio propone un marco de modelo de orden reducido basado en un autoencoder y ecuaciones diferenciales ordinarias neuronales, que incorpora una nueva función de pérdida con gradientes de variables latentes para lograr una integración temporal precisa y eficiente de sistemas reactivos rígidos, mejorando significativamente la precisión en condiciones fuera del conjunto de datos de entrenamiento.