본 논문은 복잡한 화학 반응에서 속도 상수를 추정하는 새로운 방법인 Stiff Physics-Informed Neural ODE framework (SPIN-ODE)를 제안합니다. 실제 대기 화학 시스템에 내재된 강한 비선형성(stiffness)으로 인해 기존 학습 기반 접근 방식의 한계를 극복하기 위해, SPIN-ODE는 세 단계의 최적화 과정을 도입합니다. 첫째, 잠재적인 신경 ODE(latent neural ODE)를 사용하여 화학 농도와 시간 미분 사이의 연속적이고 미분 가능한 궤적을 학습하고, 둘째, 명시적인 화학 반응 신경망(CRNN)을 통해 학습된 동역학을 기반으로 기본 속도 계수를 추출하며, 셋째, 신경 ODE 솔버를 사용하여 CRNN을 미세 조정하여 속도 계수 추정을 더욱 개선합니다. 합성 및 실제 데이터 세트에 대한 광범위한 실험을 통해 제안된 방법의 효과성과 강건성을 검증합니다.
