Este artículo aborda el problema de estimar coeficientes de velocidad para reacciones químicas complejas. La fuerte no linealidad (rigidez) de los sistemas químicos atmosféricos del mundo real conduce a la inestabilidad del entrenamiento y a una convergencia deficiente en los enfoques existentes basados en el aprendizaje. Para abordar esto, proponemos SPIN-ODE, un marco de ODE neuronal basado en la física que incorpora una fuerte no linealidad. SPIN-ODE implica un proceso de optimización de tres pasos: 1) ajuste de trayectorias de concentración utilizando una ODE neuronal de caja negra; 2) preentrenamiento de una red neuronal de reacción química (CRNN) para aprender el mapeo entre la concentración y las derivadas temporales; y 3) integración de la CRNN preentrenada con la ODE para afinar los coeficientes de velocidad. Amplios experimentos con datos sintéticos y un nuevo conjunto de datos del mundo real propuesto demuestran la efectividad y robustez del método propuesto. Este es el primer estudio que aplica una ODE neuronal con fuerte no linealidad al descubrimiento de coeficientes de velocidad química, lo que sugiere direcciones prometedoras para la integración de redes neuronales con química detallada.
