본 논문은 복잡한 화학 반응에서 속도 계수를 추정하는 문제를 다룬다. 실제 대기 화학 시스템의 강한 비선형성(stiffness)으로 인해 기존 학습 기반 접근 방식의 훈련 불안정성 및 수렴성 저하 문제가 발생한다. 이를 해결하기 위해, 본 논문은 강한 비선형성을 고려한 물리 기반 신경 ODE 프레임워크인 SPIN-ODE를 제안한다. SPIN-ODE는 세 단계 최적화 과정을 거친다: 1) 블랙박스 신경 ODE를 사용하여 농도 변화 경로를 맞춤, 2) 화학 반응 신경망(CRNN)을 사전 훈련하여 농도와 시간 미분 간의 매핑 학습, 3) 사전 훈련된 CRNN과 통합하여 속도 계수 미세 조정. 합성 데이터와 새롭게 제안된 실제 데이터 세트에 대한 광범위한 실험을 통해 제안된 방법의 효과성과 강건성을 검증하였다. 강한 비선형성을 갖는 신경 ODE를 화학 속도 계수 발견에 적용한 최초의 연구로, 신경망과 상세 화학의 통합에 대한 유망한 방향을 제시한다.
