論文の概要: Reinforcement Learning under Model Risk for Biomanufacturing
Fermentation Control
- arxiv url: http://arxiv.org/abs/2101.03735v1
- Date: Mon, 11 Jan 2021 07:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 20:18:29.056348
- Title: Reinforcement Learning under Model Risk for Biomanufacturing
Fermentation Control
- Title（参考訳）: バイオマニュファクチャリング発酵制御のためのモデルリスク下の強化学習
- Authors: Bo Wang, Wei Xie, Tugce Martagan, Alp Akcay
- Abstract要約: 生物療法は、生物学的メカニズムが複雑で、高い出力を持つ生体細胞で製造される。
本稿では,バイオプロセスオンライン学習を支援するモデルリスクを考慮したモデルベース強化学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.691455078971186
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In the biopharmaceutical manufacturing, fermentation process plays a critical
role impacting on productivity and profit. Since biotherapeutics are
manufactured in living cells whose biological mechanisms are complex and have
highly variable outputs, in this paper, we introduce a model-based
reinforcement learning framework accounting for model risk to support
bioprocess online learning and guide the optimal and robust customized stopping
policy for fermentation process. Specifically, built on the dynamic mechanisms
of protein and impurity generation, we first construct a probabilistic model
characterizing the impact of underlying bioprocess stochastic uncertainty on
impurity and protein growth rates. Since biopharmaceutical manufacturing often
has very limited data during the development and early stage of production, we
derive the posterior distribution quantifying the process model risk, and
further develop the Bayesian rule based knowledge update to support the online
learning on underlying stochastic process. With the prediction risk accounting
for both bioprocess stochastic uncertainty and model risk, the proposed
reinforcement learning framework can proactively hedge all sources of
uncertainties and support the optimal and robust customized decision making. We
conduct the structural analysis of optimal policy and study the impact of model
risk on the policy selection. We can show that it asymptotically converges to
the optimal policy obtained under perfect information of underlying stochastic
process. Our case studies demonstrate that the proposed framework can greatly
improve the biomanufacturing industrial practice.
- Abstract（参考訳）: バイオ医薬品製造において、発酵プロセスは生産性と利益に重要な役割を果たす。
生物療法は,生物機構が複雑で出力が可変な生体細胞で製造されているため,本論文では,生物プロセスのオンライン学習を支援するモデルリスクを考慮したモデルベース強化学習フレームワークを導入し,発酵プロセスの最適かつ堅牢な停止ポリシーを導出する。
具体的には, タンパク質と不純物生成の動的メカニズムに基づいて, まず, 不純物とタンパク質の成長速度に対する生物過程の確率的不確かさの影響を特徴付ける確率モデルを構築した。
バイオ医薬品製造は製造過程の発達と初期段階において非常に限られたデータしか持たないことが多いため、プロセスモデルリスクを定量化する後続分布を導出し、基礎となる確率過程に基づくオンライン学習を支援するためにベイズ規則に基づく知識更新を開発する。
生体プロセスの確率的不確かさとモデルリスクの両方に対する予測リスク会計により、提案する強化学習フレームワークは、不確実性のすべてのソースを積極的にヘッジし、最適かつ堅牢な意思決定を支援することができる。
最適政策の構造分析を行い,モデルリスクが政策選択に与える影響について検討する。
確率過程の完全な情報に基づいて得られる最適方針に漸近的に収束することを示すことができる。
本研究の事例から, 提案する枠組みは, バイオマニュファクチャリング産業の実践を大幅に改善できることを示す。
関連論文リスト
- Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。
我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
論文 参考訳（メタデータ） (2024-11-07T22:29:05Z) - Uncertainty Quantification Using Ensemble Learning and Monte Carlo Sampling for Performance Prediction and Monitoring in Cell Culture Processes [7.762212551172391]
モノクローナル抗体 (mAbs) は、その特異性や有効性から、医薬品市場で注目されている。
機械学習モデルのmAb開発および製造への応用は勢いを増している。
本稿では,機械学習予測における不確実性定量化の必要性に対処する。
論文 参考訳（メタデータ） (2024-09-03T09:38:32Z) - Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
昆虫生産には 最大限の可能性を実現するために 最適化が必要です
これは選択的育種による興味のある形質の改善が目的である。
このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
論文 参考訳（メタデータ） (2024-06-26T07:50:58Z) - EM Distillation for One-step Diffusion Models [65.57766773137068]
最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。
本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
論文 参考訳（メタデータ） (2024-05-27T05:55:22Z) - Hybrid Machine Learning techniques in the management of harmful algal
blooms impact [0.7864304771129751]
軟体動物栽培はハーモフル藻類(HAB)の影響を受けうる
HABは高濃度の藻のエピソードであり、人間の消費に有害である可能性がある。
人的消費のリスクを避けるため、毒性が検出されると収穫が禁止される。
論文 参考訳（メタデータ） (2024-02-14T15:59:22Z) - ML Algorithm Synthesizing Domain Knowledge for Fungal Spores
Concentration Prediction [3.4836961035265217]
真菌胞濃度は紙の使いやすさに影響を与える重要な指標である。
現在の試験方法は遅れた結果に重きを置いており、リアルタイム制御戦略を妨げている。
本稿では, 紙パルプ産業における厳密な品質管理を可能とし, リアルタイム菌胞濃度予測のための有望な方法を示す。
論文 参考訳（メタデータ） (2023-09-23T15:27:14Z) - Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。
これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。
我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
論文 参考訳（メタデータ） (2023-06-20T03:05:28Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - Opportunities of Hybrid Model-based Reinforcement Learning for Cell
Therapy Manufacturing Process Development and Control [6.580930850408461]
細胞治療製造の主な課題は、高い複雑さ、高い不確実性、非常に限られたプロセスデータである。
本稿では,プロセス開発と制御を効率的にガイドするフレームワーク"hybridRL"を提案する。
実験的検討では, 細胞治療の例を用いて, 提案したハイブリッド-RLフレームワークが, 古典的決定論的力学モデルによるプロセス最適化よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-10T00:01:19Z) - Policy Optimization in Bayesian Network Hybrid Models of
Biomanufacturing Processes [3.124775036986647]
バイオマニュファクチャリングプロセスは、綿密な監視と制御を必要とする。
低データ環境における人間レベルの制御を実現するためのモデルベース強化学習フレームワークを開発した。
論文 参考訳（メタデータ） (2021-05-13T20:39:02Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳（メタデータ） (2020-07-15T07:07:07Z)
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。