Reinforcement Learning steigert Chemie-Integration um 3×

In einer kürzlich veröffentlichten Arbeit auf arXiv (2604.00264v1) stellen Wissenschaftler ein neues, reinforcement‑learning‑basiertes System vor, das die Auswahl des Chemie‑Integrators in Reaktionsströmungen automatisch steuert. Statt auf manuell eingestellte Heuristiken oder stochastische Vorhersagemodelle zurückzugreifen, lernt ein Agent, zwischen dem impliziten BDF‑Integrator CVODE und einem quasi‑steady‑state (QSS) Solver zu wechseln.

Die Entscheidungsfindung wird als Markov‑Entscheidungsprozess formuliert. Der Agent entwickelt trajektorienorientierte Richtlinien, die berücksichtigen, wie aktuelle Solver‑Entscheidungen die Fehlerentwicklung in späteren Zeitschritten beeinflussen. Gleichzeitig wird die Rechenzeit minimiert, indem ein Lagrange‑Reward mit einer online‑angepassten Multiplikator­variable verwendet wird, die die vom Nutzer vorgegebene Genauigkeit erzwingt.

In einer Reihe von 0‑D‑Homogenreaktor‑Simulationen mit einem 106‑Spezi­en n‑Dodecan‑Mechanismus erzielt die RL‑adaptive Policy durchschnittlich einen Geschwindigkeitsgewinn von etwa 3‑fach. Die Geschwindigkeitsverbesserungen reichen von 1,11‑fach bis zu 10,58‑fach, während die Ignition‑Verzögerungen und Speziesprofile exakt bleiben. Der zusätzliche Aufwand für die Inferenz beträgt lediglich rund 1 %.

Ein besonders überzeugender Aspekt ist die Übertragbarkeit: Die ohne erneutes Training auf 0‑D‑Daten erstellte Policy funktioniert auch in 1‑D‑Counterflow‑Diffusionsflammen über Strain‑Raten von 10 bis 2000 s⁻¹. Hier wird ein konsistenter Geschwindigkeitsgewinn von ca. 2,2‑fach gegenüber CVODE erzielt, die Temperatur bleibt nahezu identisch mit Referenzwerten und CVODE wird nur an 12 % bis 15 % der Raum‑Zeit‑Punkte ausgewählt.

Die Ergebnisse zeigen deutlich, dass reinforcement‑learning‑gestützte Solver‑Auswahl ein vielversprechendes Mittel ist, um die Rechenkosten in chemischen Integrationsaufgaben drastisch zu senken, ohne die Genauigkeit zu gefährden. Diese Technik könnte künftig in einer Vielzahl von reaktiven Strömungs­simulationen eingesetzt werden, um Effizienz und Skalierbarkeit zu verbessern.