ИСТИНА

Традиционно модели нейросетей типа UNET применялись для автоматического пе- ревода картинки в картинку, в частности для сегментации изображений. В настоящей работе показано, что подобная архитектура может быть успешно применена к задаче предсказания детерминированных многомерных временных рядов, а именно модели- рования химических процессов горения, описываемых жёсткой системой обыкно- венных дифференциальных уравнений. Используя её, нам удалось обучить компакт- ную модель, которая может аппроксимировать изменения концентраций веществ в смеси в процессе химических реакций с высокой степенью точности, достаточной чтобы рекуррентно получать предсказание на сотни и даже тысячи шагов интегриро- вания вперёд, занимая при этом на порядок меньше времени вычисления, чем чис- ленное интегрирование.