論文の概要: Maximizing information from chemical engineering data sets: Applications to machine learning

• arxiv url: http://arxiv.org/abs/2201.10035v1
• Date: Tue, 25 Jan 2022 01:25:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 14:07:55.664217
• Title: Maximizing information from chemical engineering data sets: Applications to machine learning
• Title（参考訳）: 化学工学データセットからの情報の最大化:機械学習への応用
• Authors: Alexander Thebelt, Johannes Wiebe, Jan Kronqvist, Calvin Tsay, Ruth Misener
• Abstract要約: 化学工学の応用において、古典的な人工知能のアプローチを適用するのが難しくなる4つの特徴を同定する。 それぞれのデータ特性について、これらのデータ特性が生じるアプリケーションについて論じ、現在の化学工学研究が、これらの課題を組み込むために、データサイエンスと機械学習の分野をどのように拡張しているかを示す。
• 参考スコア（独自算出の注目度）: 61.442473332320176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is well-documented how artificial intelligence can have (and already is having) a big impact on chemical engineering. But classical machine learning approaches may be weak for many chemical engineering applications. This review discusses how challenging data characteristics arise in chemical engineering applications. We identify four characteristics of data arising in chemical engineering applications that make applying classical artificial intelligence approaches difficult: (1) high variance, low volume data, (2) low variance, high volume data, (3) noisy/corrupt/missing data, and (4) restricted data with physics-based limitations. For each of these four data characteristics, we discuss applications where these data characteristics arise and show how current chemical engineering research is extending the fields of data science and machine learning to incorporate these challenges. Finally, we identify several challenges for future research.
• Abstract（参考訳）: 人工知能が化学工学に大きな影響を与える(そしてすでにある)ことは、よく文書化されている。 しかし、多くの化学工学応用において古典的な機械学習アプローチは弱いかもしれない。 本稿では, 化学工学応用におけるデータ特性の課題について論じる。 我々は,(1)高分散,低ボリュームデータ,(2)低分散,高ボリュームデータ,(3)ノイズ/故障/欠測データ,(4)物理に基づく制限付きデータという,古典的人工知能のアプローチを困難にしている化学工学応用におけるデータの特徴を同定する。 これら4つのデータ特性のそれぞれについて,これらのデータ特性が生ずるアプリケーションについて論じるとともに,現在の化学工学研究がデータサイエンスと機械学習の分野を拡張して,これらの課題を取り入れていることを示す。 最後に,今後の研究の課題をいくつか挙げる。

関連論文リスト

• Obtaining physical layer data of latest generation networks for investigating adversary attacks [0.0]
  機械学習は、5Gや6Gといった最新世代のデータネットワークの機能の最適化に使用できる。 インテリジェント機械学習モデルの振る舞いを操作する敵対策が、大きな関心事になりつつある。 機械学習アプリケーションと連携して動作するシミュレーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-02T06:03:27Z)
• 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)
• 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)
• How to Do Machine Learning with Small Data? -- A Review from an Industrial Perspective [1.443696537295348]
  著者らは、"小さなデータ"の一般的な用語とそのエンジニアリングと産業アプリケーションの役割を解釈することに重点を置いている。 小さなデータはビッグデータと比較して様々な特性で定義され、機械学習形式が導入された。 産業アプリケーションにおける小さなデータによる機械学習の5つの重要な課題を提示する。
  論文  参考訳（メタデータ） (2023-11-13T07:39:13Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• A Review into Data Science and Its Approaches in Mechanical Engineering [0.0]
  本稿では,データサイエンスを概説し,その方法について概説する。 はじめに、異なるデータサイエンスの定義とその技術における背景をレビューした。 データサイエンスの手法を研究に用いた機械工学分野のいくつかの研究がレビューされている。
  論文  参考訳（メタデータ） (2020-12-30T23:05:29Z)
• 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)
• Data science on industrial data -- Today's challenges in brown field applications [0.0]
  本論文は,ストックマシンの現場での作業における技術の現状と今後の展望について述べる。 この論文の主な焦点はデータ収集であり、ほとんどの人が予想するよりも扱いにくい。 機械学習アプリケーションのデータ品質は、実験室を去ると問題になる。
  論文  参考訳（メタデータ） (2020-06-10T10:05:16Z)

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。