Physics-Informed Deep Neural Operator for Estimation of kinetic parameters in distributed activation energy model for parallel reaction systems
本文介绍了一种物理信息深度算子神经网络（PI-DeepONet），该网络通过将动力学规律直接嵌入网络架构中，能够高效且准确地估计多步并行反应系统的动力学参数，从而在无需先验假设的情况下，实现对复杂热解过程可靠的在线分析。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当科学家想要了解一种材料在受热时是如何分解的，他们通常会求助于一种被称为热重分析的技术。想象一下，将一小块物质样本放在熔炉内的一个天平上，并缓慢升高温度。随着材料升温，它会释放气体并减轻重量。通过追踪在每一度温度下究竟损失了多少质量，研究人员可以观察到材料分解的过程。对于简单的物质，这个过程是直接明了的，但对于像木材、煤炭或塑料这样的复杂材料，这个过程则是许多化学反应同时发生而交织在一起的复杂网络。为了理解这一点，科学家使用数学模型来尝试描述这些反应的速度和能量。长久以来的挑战在于确定驱动这些模型的特定数值。传统方法通常需要预先猜测反应曲线的形状，或者进行缓慢且重复的计算，这些计算可能会陷入困境或无法找到真实答案，尤其是在数十个反应相互重叠的情况下。
来自中国西北核工业技术研究院的一支研究团队开发了一种新方法，利用一种旨在理解物理定律的人工智能来解决这个难题。这种方法不再是通过猜测或进行无止尽的计算，而是学习直接读取质量损失的故事，并立即告诉科学家导致这一现象的隐藏数值。他们将这种方法应用于一个被称为分布式活化能模型的特定模型，该模型将复杂材料视为由许多微小的、独立的组成部分构成的，每个部分的分解速度和能量水平都各不相同。研究人员构建了一个神经网络（一种受人类大脑启发的计算机系统），该网络经过训练，能够识别质量损失曲线与底层化学参数之间的关系。至关重要的是，他们不仅仅是让计算机进行猜测；他们迫使计算机在训练过程中遵守化学物理定律。这意味着该系统学习的不只是匹配模式，而是理解它所预测的数值在代回反应方程后，必须能够产生观测到的质量损失。
团队在两种不同的场景下测试了这一新工具：一种是仅包含单一反应的简单情况，另一种是两个反应同时发生的更困难的情况。在计算机模拟中，该系统表现出了极高的准确性。当给定一条显示材料随时间损失质量的曲线时，该网络能够瞬间预测出反应的特定能量和速度因子，其精确度几乎与原始数据完全吻中。由网络预测生成的重构曲线与目标曲线高度重合，差异几乎不可见，统计指标显示出近乎完美的匹配。这不仅仅是一项理论练习；研究人员随后使用了名为一水草酸钙的物质的真实世界数据，这种物质以其具有明显的、分离的分解步骤而闻名。当他们将这种真实材料的实验数据输入到训练好的网络中时，系统成功识别出了前两个分解阶段的动力学参数。根据这些数值，网络预测的质量损失和反应速度曲线与实验室中实际测得的测量值几乎完全一致。
这项工作的意义在于它如何改变了科学家的工作流程。此前，从复杂的、多步反应中提取这些数值是一个缓慢的迭代过程，且往往依赖于对反应分布方式的假设。这种新方法消除了对这些假设的需求。一旦网络训练完成，它可以查看一组实验数据，并立即输出动力学参数，而无需进行进一步的优化或猜测。研究人员发现，该方法对于简单和中等复杂度的系统都能可靠运行，为从原始实验数据通向对材料行为的深度理解提供了一条快速且直接的路径。虽然目前的研究重点在于反应步骤较为清晰的材料，但作者指出，未来的工作需要处理反应峰高度重叠的更为复杂的混合物。不过就目前而言，这种基于物理信息的方案提供了一个稳健且高效的工具，用于解码复杂材料的热分解故事，将曾经困难的反问题转变为一个简单的预测问题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。