Прогнозирование поуровневых коэффициентов скорости диссоциации при помощи алгоритмов машинного обучения

В работе изучена возможность применения алгоритмов машинного обучения с целью оптимизации расчета поуровневых коэффициентов скорости диссоциации при моделировании неравновесных течений воздуха. За основу взята строгая, но вычислительно сложная теоретическая модель коэффициентов скорости реакций, учитывающая электронное и колебательное возбуждение всех участников реакции (продуктов и реагентов). Для прогнозирования поуровневых коэффициентов скорости диссоциации компонентов воздуха рассмотрены несколько алгоритмов: регрессия k-Nearest Neighbours (k-NN) и Decision Tree (DT), а также нейросети, проанализирована их точность и эффективность. Показано, что использование регрессии (k-NN и DT) в данной задаче нецелесообразно; нейросетевые алгоритмы имеют явные преимущества по сравнению с классическими регрессионными по времени и масштабируемости. Проведена валидация нейросетевого подхода на примере решения задачи о колебательно-химической релаксации за ударной волной; показано удовлетворительное согласие с экспериментом и практически полное совпадение результатов с решением, полученным теоретическими методами, без использования машинного обучения. Изложенный в работе подход к представлению и обработке данных легко масштабируем на сложные модели учета возбуждения внутренних степеней свободы молекул и, например, при учете электронного возбуждения молекулы позволяет достичь ускорения на 1-2 порядка без существенных потерь точности.