ترجمه فارسی مقاله شبیه‌ساز شبکه عصبی برای تحلیل عددی عددی شیمیایی اتمسفری

چکیده

Modeling atmospheric chemistry is complex and computationally intense. Given the recent success of Deep neural networks in digital signal processing, we propose a Neural Network Emulator for fast chemical concentration modeling. We consider atmospheric chemistry as a time-dependent Ordinary Differential Equation. To extract the hidden correlations between initial states and future time evolution, we propose ChemNNE, an Attention based Neural Network Emulator (NNE) that can model the atmospheric chemistry as a neural ODE process. To efficiently simulate the chemical changes, we propose the sinusoidal time embedding to estimate the oscillating tendency over time. More importantly, we use the Fourier neural operator to model the ODE process for efficient computation. We also propose three physical-informed losses to supervise the training optimization. To evaluate our model, we propose a large-scale chemical dataset that can be used for neural network training and evaluation. The extensive experiments show that our approach achieves state-of-the-art performance in modeling accuracy and computational speed.

چکیده به فارسی (ترجمه ماشینی)

مدل سازی شیمی جوی پیچیده و محاسباتی شدید است.با توجه به موفقیت اخیر شبکه های عصبی عمیق در پردازش سیگنال دیجیتال ، ما یک شبیه ساز شبکه عصبی را برای مدل سازی سریع غلظت شیمیایی پیشنهاد می کنیم.ما شیمی جوی را به عنوان یک معادله دیفرانسیل معمولی وابسته به زمان می دانیم.برای استخراج همبستگی های پنهان بین حالتهای اولیه و تکامل زمان آینده ، ما Chemnne ، یک شبیه ساز شبکه عصبی مبتنی بر توجه (NNE) را پیشنهاد می کنیم که می تواند شیمی جوی را به عنوان یک فرآیند عصبی ODE مدل کند.برای شبیه سازی کارآمد تغییرات شیمیایی ، ما زمان سینوسی را برای تخمین تمایل نوسان در طول زمان پیشنهاد می کنیم.مهمتر از همه ، ما از اپراتور عصبی فوریه برای مدل سازی فرآیند ODE برای محاسبه کارآمد استفاده می کنیم.ما همچنین سه ضرر آگاهانه برای نظارت بر بهینه سازی آموزش پیشنهاد می کنیم.برای ارزیابی مدل خود ، ما یک مجموعه داده شیمیایی در مقیاس بزرگ را پیشنهاد می کنیم که می تواند برای آموزش و ارزیابی شبکه عصبی استفاده شود.آزمایش های گسترده نشان می دهد که رویکرد ما در دقت مدل سازی و سرعت محاسباتی به عملکرد پیشرفته می رسد.