La química en fase gaseosa ha sido identificada como un importante cuello de botella computacional tanto en los modos directo como adjunto de los modelos de transporte químico (CTMs). Aunque estudios previos han demostrado el potencial de los modelos de aprendizaje profundo para simular y acelerar este proceso, pocos estudios han examinado la aplicabilidad y el rendimiento de estos modelos en el análisis de sensibilidad adjunta. En este estudio, se desarrolla y entrena un emulador de aprendizaje profundo para la química en fase gaseosa utilizando un conjunto diverso de simulaciones en modo directo del modelo de Calidad del Aire Multiescala de la Comunidad (CMAQ). El emulador emplea una arquitectura de red neuronal residual (ResNet) denominada FiLM-ResNet, que integra capas de Modulación Lineal por Característica (FiLM) para tener en cuenta explícitamente las condiciones fotocatalíticas y no fotocatalíticas. La validación dentro de un solo paso de tiempo indica que el emulador predice con precisión los cambios de concentración para el 74% de las especies en fase gaseosa con un coeficiente de determinación (R) que supera 0.999. Después de integrar el emulador en el CTM, la simulación de múltiples pasos de tiempo durante una semana muestra un estrecho acuerdo con el modelo numérico. Para el modo adjunto, calculamos las sensibilidades del ozono (O) con respecto a O, óxido nítrico (NO), dióxido de nitrógeno (NO), radical hidroxilo (OH) e isopreno (ISOP) utilizando diferenciación automática, con los resultados adjuntos basados en el emulador alcanzando un R máximo de 0.995 en evaluaciones de un solo paso de tiempo en comparación con las sensibilidades adjuntas numéricas. Una simulación adjunta de 24 horas revela que el emulador mantiene distribuciones de sensibilidad adjunta espacialmente consistentes en comparación con el modelo numérico en la mayoría de las celdas de la cuadrícula. En términos de eficiencia computacional, el emulador logra aceleraciones de 80x-130x en el modo directo y de 45x-102x en el modo adjunto, dependiendo de si la inferencia se ejecuta en la Unidad Central de Procesamiento (CPU) o en la Unidad de Procesamiento Gráfico (GPU). Estos hallazgos demuestran que, una vez que el emulador está entrenado con precisión para reproducir la química en fase gaseosa en modo directo, puede aplicarse de manera efectiva en el análisis de sensibilidad adjunta. Este enfoque ofrece una alternativa prometedora a los marcos adjuntos numéricos en los CTMs.