論文の概要: Deep Reinforcement Learning for Process Synthesis
- arxiv url: http://arxiv.org/abs/2009.13265v1
- Date: Wed, 23 Sep 2020 11:34:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 17:03:04.456083
- Title: Deep Reinforcement Learning for Process Synthesis
- Title(参考訳): プロセス合成のための深層強化学習
- Authors: Laurence Illing Midgley
- Abstract要約: 本稿では, 蒸留ギムによるプロセス合成への強化学習の適用について述べる。
ディープRLエージェントは、蒸留ジャムの内部で学習し、合理的な設計をすることができる。
最後に,化学工学プロセス合成のための汎用強化学習ソフトウェアツールキットであるChemical Engineering Gymを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper demonstrates the application of reinforcement learning (RL) to
process synthesis by presenting Distillation Gym, a set of RL environments in
which an RL agent is tasked with designing a distillation train, given a user
defined multi-component feed stream. Distillation Gym interfaces with a process
simulator (COCO and ChemSep) to simulate the environment. A demonstration of
two distillation problem examples are discussed in this paper (a Benzene,
Toluene, P-xylene separation problem and a hydrocarbon separation problem), in
which a deep RL agent is successfully able to learn within Distillation Gym to
produce reasonable designs. Finally, this paper proposes the creation of
Chemical Engineering Gym, an all-purpose reinforcement learning software
toolkit for chemical engineering process synthesis.
- Abstract(参考訳): 本稿では,ユーザが定義した多成分フィードストリームに対して,rlエージェントが蒸留トレインの設計を行うためのrl環境群である蒸留ジムを提示することにより,強化学習(rl)のプロセス合成への応用を示す。
環境をシミュレートするプロセスシミュレーター(COCOとChemSep)との蒸留Gymインタフェース。
本稿では, 2つの蒸留問題例(ベンゼン, トルエン, p-キシレン分離問題, 炭化水素分離問題)の実証を行った。
最後に,化学工学プロセス合成のための汎用強化学習ソフトウェアツールキットであるChemical Engineering Gymを提案する。
関連論文リスト
- An Autonomous Large Language Model Agent for Chemical Literature Data
Mining [60.85177362167166]
本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。
本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
論文 参考訳(メタデータ) (2024-02-20T13:21:46Z) - Retrieval-Guided Reinforcement Learning for Boolean Circuit Minimization [23.075466444266528]
本研究は論理合成のための学習と探索技術について徹底的に検討する。
ABC-RLは、検索プロセス中に事前学習したエージェントからのレコメンデーションを順応的に調整する、巧妙に調整された$alpha$パラメータである。
その結果, 合成回路のQoR(Quality-of-result)は, 最先端技術と比較して最大24.8%向上した。
論文 参考訳(メタデータ) (2024-01-22T18:46:30Z) - Chemist-X: Large Language Model-empowered Agent for Reaction Condition
Recommendation in Chemical Synthesis [59.11837224347467]
Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。
Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。
Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
論文 参考訳(メタデータ) (2023-11-16T01:21:33Z) - ChemGymRL: An Interactive Framework for Reinforcement Learning for
Digital Chemistry [2.350237106287331]
本稿では,化学発見にRL(Reinforcement Learning)を応用するための模擬実験室を提供する。
RLは、かなりデータ集約型であるため、実世界での行動をとる訓練エージェントは、実現不可能であり、危険である可能性がある。
我々は、標準のOpen AI Gymテンプレートに基づいて、高度にカスタマイズ可能でオープンソースのRL環境であるChemGymRLを紹介します。
論文 参考訳(メタデータ) (2023-05-23T15:56:17Z) - Transfer learning for process design with reinforcement learning [3.3084327202914476]
本稿では、厳密なシミュレーション手法と組み合わせて、RLを用いたプロセス設計にトランスファーラーニングを活用することを提案する。
トランスファーラーニング(transfer learning)とは、ある問題を解きながら得られた知識を記憶し、異なるターゲットドメインでこの情報を再利用する機械学習から確立されたアプローチである。
その結果,移動学習により,DWSIMで実現可能なフローシートを経済的に設計することが可能となり,収益率8%のフローシートが得られることがわかった。
論文 参考訳(メタデータ) (2023-02-07T10:31:14Z) - ERNIE-Search: Bridging Cross-Encoder with Dual-Encoder via Self
On-the-fly Distillation for Dense Passage Retrieval [54.54667085792404]
両エンコーダのクロスアーキテクチャ蒸留を著しく向上させる新しい蒸留法を提案する。
本手法は,バニラ二重エンコーダへの遅延相互作用(ColBERT)を効果的に蒸留できる自己オンザフライ蒸留法を導入し,また,クロスエンコーダの教師による性能向上のためにカスケード蒸留プロセスを導入している。
論文 参考訳(メタデータ) (2022-05-18T18:05:13Z) - Towards Standardizing Reinforcement Learning Approaches for Stochastic
Production Scheduling [77.34726150561087]
強化学習はスケジューリングの問題を解決するのに使える。
既存の研究は、コードが利用できない複雑なシミュレーションに依存している。
から選ぶべきRLの設計の広大な配列があります。
モデル記述の標準化 - 生産セットアップとRL設計の両方 - と検証スキームは前提条件です。
論文 参考訳(メタデータ) (2021-04-16T16:07:10Z) - Automated Synthesis of Steady-State Continuous Processes using
Reinforcement Learning [0.0]
強化学習は、概念設計の事前知識を必要とせずに自動フローシート合成に使用できる。
フローシート合成は、2人の競技者のゲームとしてモデル化される。
この方法は四元系における反応蒸留プロセスにうまく適用される。
論文 参考訳(メタデータ) (2021-01-12T11:49:34Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳(メタデータ) (2020-11-04T04:35:34Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-04-26T21:40:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。