論文の概要: A Hybrid Science-Guided Machine Learning Approach for Modeling and
Optimizing Chemical Processes
- arxiv url: http://arxiv.org/abs/2112.01475v1
- Date: Thu, 2 Dec 2021 18:24:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 18:21:08.945626
- Title: A Hybrid Science-Guided Machine Learning Approach for Modeling and
Optimizing Chemical Processes
- Title(参考訳): 化学プロセスのモデリングと最適化のためのハイブリッド科学誘導機械学習アプローチ
- Authors: Niket Sharma, Y. A. Liu
- Abstract要約: ハイブリッドプロセスモデリングと最適化は、科学誘導機械学習(SGML)アプローチと組み合わせられる。
MLを用いてモデルを改善するために、直列および並列ハイブリッドモデリングのサブカテゴリの展示を行う。
MLモデルの改善に科学的原則を適用するために、我々は、科学誘導設計、学習、洗練のサブカテゴリについて論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study presents a broad perspective of hybrid process modeling and
optimization combining the scientific knowledge and data analytics in
bioprocessing and chemical engineering with a science-guided machine learning
(SGML) approach. We divide the approach into two major categories. The first
refers to the case where a data-based ML model compliments and makes the
first-principle science-based model more accurate in prediction, and the second
corresponds to the case where scientific knowledge helps make the ML model more
scientifically consistent. We present a detailed review of scientific and
engineering literature relating to the hybrid SGML approach, and propose a
systematic classification of hybrid SGML models. For applying ML to improve
science-based models, we present expositions of the sub-categories of direct
serial and parallel hybrid modeling and their combinations, inverse modeling,
reduced-order modeling, quantifying uncertainty in the process and even
discovering governing equations of the process model. For applying scientific
principles to improve ML models, we discuss the sub-categories of
science-guided design, learning and refinement. For each sub-category, we
identify its requirements, advantages and limitations, together with their
published and potential areas of applications in bioprocessing and chemical
engineering.
- Abstract(参考訳): 本研究では,バイオプロセッシングとケミカルエンジニアリングにおける科学知識とデータ分析を,SGML(Science-Guided Machine Learning)アプローチと組み合わせたハイブリッドプロセスモデリングと最適化の幅広い視点を示す。
アプローチを2つの主要なカテゴリに分けます。
第一は、データベースのMLモデルを補完し、第一原理の科学ベースのモデルを予測においてより正確にするケースを指し、第二は科学的知識がMLモデルを科学的に一貫性を増すケースに対応する。
本稿では,ハイブリッドSGML手法に関する科学・工学文献の詳細なレビューを行い,ハイブリッドSGMLモデルの体系的分類を提案する。
MLを科学モデルの改良に適用するために,直列および並列ハイブリッドモデリングのサブカテゴリとその組み合わせ,逆モデリング,低次モデリング,プロセスの不確かさの定量化,プロセスモデルの支配方程式の発見などを紹介する。
MLモデルの改善に科学的原則を適用するために、我々は、科学誘導設計、学習、洗練のサブカテゴリについて論じる。
各サブカテゴリに対して、その要件、利点、限界、およびバイオプロセッシングおよび化学工学におけるそれらの出版および潜在的な応用分野を識別する。
関連論文リスト
- Double machine learning for causal hybrid modeling -- applications in
the Earth sciences [4.440627540608291]
本稿では、因果推論フレームワークを用いてハイブリッドモデルを推定するための新しいアプローチを提案する。
DMLに基づくハイブリッドモデリングは、エンドツーエンドのディープニューラルネットワーク(DNN)アプローチよりも因果パラメータの推定に優れていることを実証する。
論文 参考訳(メタデータ) (2024-02-20T19:19:56Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - SciGLM: Training Scientific Language Models with Self-Reflective
Instruction Annotation and Tuning [60.14510984576027]
SciGLMは、大学レベルの科学的推論を行うことができる科学言語モデルのスイートである。
本研究では, 自己回帰的指示アノテーションの枠組みを適用し, 難解な科学的問題に対する段階的推論を生成する。
言語モデルのChatGLMをSciInstructで微調整し、科学的および数学的推論能力を向上した。
論文 参考訳(メタデータ) (2024-01-15T20:22:21Z) - Knowledge-Guided Additive Modeling For Supervised Regression [6.600299648478795]
本稿では,パラメトリックな物理項と機械学習の項を付加的に組み合わせたハイブリッド手法に着目し,モデルに依存しない訓練手順について検討する。
ツリーベースモデルや人工ニューラルネットワークなど、さまざまなタイプの機械学習モデルで実験が実施されている。
論文 参考訳(メタデータ) (2023-07-05T12:13:56Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳(メタデータ) (2022-07-18T19:16:56Z) - Facilitating automated conversion of scientific knowledge into
scientific simulation models with the Machine Assisted Generation,
Calibration, and Comparison (MAGCC) Framework [0.0]
Machine Assisted Generation, Comparison, and Computational (MAGCC)フレームワークは、繰り返し発生する重要なステップとプロセスのマシンアシストと自動化を提供する。
MAGCCは、自然言語処理または既存の数学的モデルから抽出された知識抽出のためのシステムを橋渡しする。
MAGCCフレームワークは任意の科学領域をカスタマイズでき、今後は新たに開発されたコード生成AIシステムを統合する予定だ。
論文 参考訳(メタデータ) (2022-04-21T19:30:50Z) - Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion
Batteries [5.735035463793008]
本稿では,リチウムイオン電池(LiB)の高精度モデリングを実現するために,物理モデルと機械学習を統合する2つの新しいフレームワークを提案する。
これらのフレームワークは、物理モデルの状態情報の機械学習モデルに通知することで、物理と機械学習の深い統合を可能にする。
この研究はさらに、老化を意識したハイブリッドモデリングの実施へと拡張され、予測を行うために健康状態に意識したハイブリッドモデルの設計につながった。
論文 参考訳(メタデータ) (2021-12-24T07:39:02Z) - Hybrid modeling of the human cardiovascular system using NeuralFMUs [0.0]
ハイブリッドなモデリングプロセスは、より快適で、システム知識を必要とせず、第一原理に基づくモデリングに比べてエラーの少ないことが示される。
結果として得られたハイブリッドモデルは、純粋な第一原理のホワイトボックスモデルに比べて計算性能が向上した。
考慮されたユースケースは、医療領域内外における他のモデリングおよびシミュレーションアプリケーションの例として機能する。
論文 参考訳(メタデータ) (2021-09-10T13:48:43Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。