知识卡片：KPPax——面向大气化学机器学习的可微分动力学 ODE 预处理器

一句话结论

KPPax 将传统大气化学机理描述语言 KPP 直接转换为 JAX 可微分代码，使化学机理无需手写伴随代码即可用于参数估计与物理—机器学习混合建模。

事件概述或研究问题

大气化学机理通常以 Kinetic PreProcessor（KPP）语言发布，该工具可生成高效的 Fortran 或 C 代码，但无法直接嵌入机器学习模型常用的可微分编程框架。论文提出 KPPax，目标是在保留 KPP 机理生态的前提下，生成可微分、即时编译、可向量化的 JAX 化学代码，从而桥接传统化学机理与机器学习工作流。

方法/产品要点

• 输入与输出：从 KPP 语言书写的机理出发，生成 JAX 代码。
• 可微分性：在 log 空间用稀疏操作计算速率定律，以保持可微分。
• 刚性系统积分：借助 diffrax 库的隐式求解器及前向/反向模式伴随，获得精确灵敏度，无需手工推导伴随代码。
• 工程特性：生成代码支持即时编译（JIT）与向量化。
• 演示基准：使用 POLLU 基准机理开展两项应用验证。

主要结果或产业意义

• 应用一（可辨识性分析）：由自动微分雅可比计算 Fisher 信息矩阵，可在拟合前预测类似流管设计中 25 个速率系数里哪些可被识别；含噪合成估计确认了 9 个可识别速率系数的预测不确定度在约 30% 以内，并揭示出快速反应簇中仅反应比值受约束。
• 应用二（混合建模）：对排放清单的神经网络修正先基于逐情景 4D-Var 反演离线训练，再通过化学模型在线微调，使生物源修正误差降低 2.4–5 倍，并恢复出单项反演丢失的低温排放信息。
• 总体意义：KPPax 使 KPP 机理可直接用于参数估计与物理—机器学习混合建模。

为什么重要

传统化学机理与机器学习框架之间存在工具链断层：机理用 KPP 维护，模型用可微分框架开发。KPPax 把二者对接，省去手工推导伴随代码的环节，并使“先验可辨识性分析—参数估计—混合建模”能在同一可微分管线内完成，对大气化学参数反演与混合物理—ML 建模具有方法学增量价值。

局限与不确定性

• 演示仅基于 POLLU 基准机理，更大规模、更复杂机理上的表现待核实。
• 论文未在摘要中给出计算性能（如相对 Fortran/C 生成代码的速度对比），待核实。
• 在线微调的具体计算开销与稳定性未在摘要中说明，待核实。
• 作者列表与发表信息来自 arXiv 元数据，同行评审状态待核实。

可用于图书/PPT/简报的角度

• 作为“传统科学软件生态如何接入可微分编程”的案例。
• 说明自动微分 + 隐式求解器如何替代手工伴随代码，用于灵敏度与可辨识性分析。
• 展示“离线反演训练 + 在线通过物理模型微调”的混合建模范式。
• 讨论快速反应簇中仅比值可约束这一化学机理结构性问题。

与既有脉络的关系

既有相关卡片关注机器学习模型的评估框架与训练优化器（电力系统保护评估、CTF 子通道 CHF 模型评估、MLIP 训练优化器）。本卡片转向“科学机理代码的可微分化基础设施”，属于工具链层面的增量：不是评估或优化某个 ML 模型，而是让传统机理本身成为可微分、可训练的组件。

原始材料

• 标题：KPPax: preprocess differentiable kinetic ODE for machine learning in atmospheric chemistry
• 作者：Wenqing Peng, Michael Boy, Zhi-Song Liu
• arXiv ID：2610.37655v1（cs.AI）
• 发布：2026-10-27
• 摘要页：https://arxiv.org/abs/2610.37655v1
• PDF：https://arxiv.org/pdf/2610.37655v1