Long-time Simulation of Stiff Chemical Kinetics Using Conservation-constrained Physics-informed Neural Network

刚性化学动力学方程在空间科学、大气科学等领域具有重要意义. 近年来, 物理信息神经网络(Physics-Informed Neural Network, PINN)作为一种融合物理定律与深度学习的框架, 被广泛应用于求解各种偏微分方程. 然而, 在求解刚性化学动力学方程时, PINN将出现优化失败, 难以有效求解. 为解决该问题, 本文提出一种新的守恒约束PINN方法. 该方法利用共享–分支网络有效处理耦合问题, 通过引入物质守恒约束显著提升刚性化学动力学方程的求解性能. 同时, 分段采样策略进一步增强长时模拟的精度和稳定性. 实验结果表明, 该方法能够在多时间尺度的复杂系统中实现长时稳定模拟, 为解决空间科学中的问题(例如无碰撞等离子体波动和星际物质化学反应)提供了一种新的方法.