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
- AMR-Evol: Adaptive Modular Response Evolution Elicits Better Knowledge Distillation for Large Language Models in Code Generation [56.54840407827354]
本研究は, 反応蒸留を精製するための2段階プロセスを用いた適応型モジュール応答進化(AMR-Evol)フレームワークについて紹介する。
AMR-Evolフレームワークがベースライン応答蒸留法よりも優れていることを示すために,3つのコードベンチマークを用いた実験を行った。
論文 参考訳（メタデータ） (2024-10-01T10:12:38Z) - BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。
我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。
この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文 参考訳（メタデータ） (2024-08-19T05:17:40Z) - Text-Augmented Multimodal LLMs for Chemical Reaction Condition Recommendation [50.639325453203504]
MM-RCRは、化学反応レコメンデーション(RCR)のためのSMILES、反応グラフ、テキストコーパスから統一的な反応表現を学習するテキスト拡張マルチモーダルLLMである。
この結果から,MM-RCRは2つのオープンベンチマークデータセット上で最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-07-21T12:27:26Z) - Integrating knowledge-guided symbolic regression and model-based design of experiments to automate process flow diagram development [36.06887518967866]
グローバルな定式化製品市場で成功するためには、新しい製品を迅速に定式化しなければならない。
キープロダクトインジケータ(KPI)は複雑で、化学組成や処理履歴がよく理解されていない機能である。
本研究は,プロセス機構の自動定量化のための新しいデジタルフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-07T18:10:54Z) - Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [57.70772230913099]
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) - 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) - 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) - 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。