Kinetic-Mamba: Mamba-Assisted Predictions of Stiff Chemical Kinetics

📄 arXiv: 2512.14471v1 📥 PDF

作者: Additi Pandey, Liang Wei, Hessam Babaee, George Em Karniadakis

分类: cs.LG

发布日期: 2025-12-16

💡 一句话要点

Kinetic-Mamba：利用Mamba架构预测刚性化学动力学，提升燃烧模拟精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 化学动力学 Mamba架构 神经算子 燃烧模拟 时间序列预测

📋 核心要点

  1. 现有化学动力学模型在处理复杂反应和长时间尺度模拟时面临精度和效率的挑战。
  2. Kinetic-Mamba利用Mamba架构高效的时间序列建模能力，直接预测热化学状态的演化。
  3. 实验表明，Kinetic-Mamba在合成气和GRI-Mech 3.0反应机理上实现了高精度的动力学预测。

📝 摘要（中文）

精确的化学动力学建模对于燃烧模拟至关重要，因为它控制着复杂反应路径和热化学状态的演变。本文介绍了一种基于Mamba的神经算子框架Kinetic-Mamba，它将神经算子的表达能力与Mamba架构的高效时间建模能力相结合。该框架包含三个互补的模型：（i）一个独立的Mamba模型，用于从给定的初始条件预测热化学状态变量的时间演化；（ii）一个约束的Mamba模型，在学习状态动力学的同时强制执行质量守恒；（iii）一种基于温度依赖性状态的架构，采用两个独立的Mamba模型来捕获不同温度状态下的动力学。此外，我们还开发了一种潜在的Kinetic-Mamba变体，它在降维的潜在空间中演化动力学，并在物理流形上重建完整状态。我们使用时间分解和递归预测策略评估了Kinetic-Mamba的准确性和鲁棒性。我们还评估了该模型在各种分布外数据集上的外推能力。对合成气和GRI-Mech 3.0反应机理的计算实验表明，我们的框架仅使用状态变量的初始条件，就能在预测复杂动力学行为方面实现高保真度。

🔬 方法详解

问题定义：化学动力学建模旨在预测化学反应过程中各种物质浓度随时间的变化。传统的化学动力学模型，特别是对于刚性系统，计算成本高昂，并且难以准确捕捉复杂反应的动力学行为。现有的方法在处理大规模反应机理和长时间尺度模拟时，精度和效率都面临挑战。

核心思路：Kinetic-Mamba的核心思路是利用Mamba架构强大的序列建模能力，直接从初始条件预测热化学状态变量的时间演化。Mamba架构基于选择性状态空间模型（Selective State Space Models, S6），能够高效地处理长序列数据，并具有良好的外推能力。通过将Mamba架构与神经算子相结合，Kinetic-Mamba能够学习复杂反应的动力学规律，并进行准确的预测。

技术框架：Kinetic-Mamba框架包含三个主要模型：（1）独立的Mamba模型，直接预测状态变量的时间演化；（2）约束的Mamba模型，在学习动力学的同时强制执行质量守恒定律；（3）基于状态的Mamba模型，使用两个独立的Mamba模型来捕获不同状态下的动力学。此外，还提出了潜在的Kinetic-Mamba变体，在降维的潜在空间中进行动力学演化，并在物理空间中重建完整状态。

关键创新：Kinetic-Mamba的关键创新在于将Mamba架构引入到化学动力学建模中。与传统的循环神经网络（RNN）和Transformer相比，Mamba架构具有更高的计算效率和更好的长程依赖建模能力。此外，Kinetic-Mamba还通过引入约束和状态感知机制，进一步提高了模型的预测精度和鲁棒性。

关键设计：在独立的Mamba模型中，输入是初始条件和时间步长，输出是状态变量在每个时间步长的预测值。约束的Mamba模型通过引入拉格朗日乘子法，强制执行质量守恒定律。状态感知的Mamba模型根据温度状态选择不同的Mamba模型进行预测。潜在的Kinetic-Mamba模型使用自动编码器将高维状态变量映射到低维潜在空间，并在潜在空间中进行动力学演化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Kinetic-Mamba在合成气和GRI-Mech 3.0反应机理上进行了实验验证，结果表明该模型能够以高保真度预测复杂动力学行为，仅使用状态变量的初始条件即可。通过时间分解和递归预测策略，验证了Kinetic-Mamba的准确性和鲁棒性。此外，该模型在分布外数据集上表现出良好的外推能力，表明其具有较强的泛化能力。

🎯 应用场景

Kinetic-Mamba在燃烧模拟、化学反应器设计、材料合成等领域具有广泛的应用前景。它可以用于加速燃烧模拟，优化化学反应器设计，预测新材料的合成路径，并为化学工程和材料科学的研究提供新的工具和方法。该研究的成功将有助于更高效、更清洁的能源利用和更先进的材料开发。

📄 摘要（原文）

Accurate chemical kinetics modeling is essential for combustion simulations, as it governs the evolution of complex reaction pathways and thermochemical states. In this work, we introduce Kinetic-Mamba, a Mamba-based neural operator framework that integrates the expressive power of neural operators with the efficient temporal modeling capabilities of Mamba architectures. The framework comprises three complementary models: (i) a standalone Mamba model that predicts the time evolution of thermochemical state variables from given initial conditions; (ii) a constrained Mamba model that enforces mass conservation while learning the state dynamics; and (iii) a regime-informed architecture employing two standalone Mamba models to capture dynamics across temperature-dependent regimes. We additionally develop a latent Kinetic-Mamba variant that evolves dynamics in a reduced latent space and reconstructs the full state on the physical manifold. We evaluate the accuracy and robustness of Kinetic-Mamba using both time-decomposition and recursive-prediction strategies. We further assess the extrapolation capabilities of the model on varied out-of-distribution datasets. Computational experiments on Syngas and GRI-Mech 3.0 reaction mechanisms demonstrate that our framework achieves high fidelity in predicting complex kinetic behavior using only the initial conditions of the state variables.