論文の概要: Optimizing the switching operation in monoclonal antibody production:
Economic MPC and reinforcement learning
- arxiv url: http://arxiv.org/abs/2308.03928v1
- Date: Mon, 7 Aug 2023 22:12:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 14:44:12.232468
- Title: Optimizing the switching operation in monoclonal antibody production:
Economic MPC and reinforcement learning
- Title（参考訳）: モノクローナル抗体産生におけるスイッチング操作の最適化--経済mpcと強化学習
- Authors: Sandra A. Obiri and Song Bo and Bernard T. Agyeman and Benjamin
Decardi-Nelson and Jinfeng Liu (University of Alberta)
- Abstract要約: モノクローナル抗体(mAbs)は、医学において欠かせない存在であり、現在、生物医薬品開発の最前線にある。
工業的なmAb生産のプロセスのほとんどはバッチ処理に依存しており、結果として大幅なダウンタイムが発生する。
完全に継続的かつ統合された製造プロセスへの移行は、製品の生産量と品質を高める可能性を秘めている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Monoclonal antibodies (mAbs) have emerged as indispensable assets in
medicine, and are currently at the forefront of biopharmaceutical product
development. However, the growing market demand and the substantial doses
required for mAb clinical treatments necessitate significant progress in its
large-scale production. Most of the processes for industrial mAb production
rely on batch operations, which result in significant downtime. The shift
towards a fully continuous and integrated manufacturing process holds the
potential to boost product yield and quality, while eliminating the extra
expenses associated with storing intermediate products. The integrated
continuous mAb production process can be divided into the upstream and
downstream processes. One crucial aspect that ensures the continuity of the
integrated process is the switching of the capture columns, which are typically
chromatography columns operated in a fed-batch manner downstream. Due to the
discrete nature of the switching operation, advanced process control algorithms
such as economic MPC (EMPC) are computationally difficult to implement. This is
because an integer nonlinear program (INLP) needs to be solved online at each
sampling time. This paper introduces two computationally-efficient approaches
for EMPC implementation, namely, a sigmoid function approximation approach and
a rectified linear unit (ReLU) approximation approach. It also explores the
application of deep reinforcement learning (DRL). These three methods are
compared to the traditional switching approach which is based on a 1% product
breakthrough rule and which involves no optimization.
- Abstract（参考訳）: モノクローナル抗体(mAbs)は、医学において欠かせない存在であり、現在、生物医薬品開発の最前線にある。
しかし、市場需要の増加とmAb臨床治療に必要なかなりの量の服用は、その大規模生産において大きな進歩を必要としている。
工業用mAbの製造プロセスのほとんどはバッチ処理に依存しており、結果として大幅なダウンタイムが発生する。
完全に継続的かつ統合された製造プロセスへの移行は、中間製品の貯蔵に伴う余分な費用を省きながら、製品収量と品質を高める可能性を秘めている。
統合された連続mAb生産プロセスは上流と下流のプロセスに分けられる。
統合プロセスの連続性を保証する重要な側面の1つは、典型的にはフェールバッチ方式で操作されるクロマトグラフィーカラムであるキャプチャカラムの切り替えである。
スイッチング動作の離散性のため、経済的なMPC(EMPC)のような高度なプロセス制御アルゴリズムの実装は困難である。
これは、整数非線形プログラム(INLP)をサンプリング時間毎にオンラインに解決する必要があるためである。
本稿では,Sigmoid function approximation approach と rectified linear unit (ReLU) approximation approach という2つの計算効率のよいEMPC実装手法を提案する。
深層強化学習(drl)の応用についても検討している。
これら3つの方法は、1%の製品ブレークスルールールに基づいて最適化を含まない従来のスイッチングアプローチと比較される。
関連論文リスト
- Offline Behavior Distillation [57.6900189406964]
大規模な強化学習(RL)データは通常、インタラクションを必要とせずにポリシをオフラインにトレーニングするために収集される。
準最適RLデータから限られた専門家の行動データを合成するオフライン行動蒸留(OBD)を定式化する。
そこで本研究では, 蒸留データとオフラインデータ, ほぼ専門的ポリシーのいずれにおいても, 蒸留性能を判断的差異によって測定する2つの単純OBD目標であるDBCとPBCを提案する。
論文 参考訳（メタデータ） (2024-10-30T06:28:09Z) - SemiEpi: Self-driving, Closed-loop Multi-Step Growth of Semiconductor Heterostructures Guided by Machine Learning [19.232018561757545]
SemiEpiは、半導体ヘテロ構造の分子線エピタキシー(MBE)成長を実行するために設計された自動運転プラットフォームである。
SemiEpiは最適な初期条件を特定し、多段階ヘテロ構造成長実験を提案する。
InAs量子ドット(QD)ヘテロ構造の成長を最適化し、SemiEpiのパワーを示す。
論文 参考訳（メタデータ） (2024-08-07T02:19:17Z) - Incomplete Multimodal Industrial Anomaly Detection via Cross-Modal Distillation [0.0]
3次元点雲とRGB画像に基づくマルチモーダル産業異常検出(IAD)は現在も進行中である。
既存の品質制御プロセスは、光学および赤外線イメージングのような高速なインライン検査と高解像度だが時間を要するニアラインキャラクタリゼーション技術を組み合わせている。
IADのためのクロスモーダル蒸留フレームワークであるCMDIADを提案する。
論文 参考訳（メタデータ） (2024-05-22T12:08:56Z) - Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - DB-LLM: Accurate Dual-Binarization for Efficient LLMs [83.70686728471547]
大規模言語モデル(LLM)は自然言語処理の分野を著しく進歩させてきた。
既存の超低ビット量子化は、常に深刻な精度低下を引き起こす。
本稿では,LLM,すなわちDB-LLMのための新しいデュアルバイナライズ手法を提案する。
論文 参考訳（メタデータ） (2024-02-19T09:04:30Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳（メタデータ） (2023-05-29T17:25:26Z) - Concepts and Algorithms for Agent-based Decentralized and Integrated
Scheduling of Production and Auxiliary Processes [78.120734120667]
本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。
要求の一部は、線形にスケールする通信アーキテクチャを開発することである。
このアプローチは、工業的要件に基づいた例を使って説明されます。
論文 参考訳（メタデータ） (2022-05-06T18:44:29Z) - Distributional Reinforcement Learning for Scheduling of (Bio)chemical
Production Processes [0.0]
強化学習(Reinforcement Learning, RL)は、最近、プロセスシステム工学と制御コミュニティから大きな注目を集めている。
本稿では,生産スケジューリング問題に共通して課される優先的制約と解離的制約に対処するRL手法を提案する。
論文 参考訳（メタデータ） (2022-03-01T17:25:40Z) - 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) - CASTELO: Clustered Atom Subtypes aidEd Lead Optimization -- a combined
machine learning and molecular modeling method [2.8381402107366034]
我々は、リード最適化ワークフローを自動化する機械学習と分子モデリングを組み合わせたアプローチを提案する。
本手法は, 薬剤の有効性向上に有効な, ホットスポットの新規なヒントを提供する。
論文 参考訳（メタデータ） (2020-11-27T15:41:00Z) - Theoretical Convergence of Multi-Step Model-Agnostic Meta-Learning [63.64636047748605]
一般的なマルチステップMAMLアルゴリズムに対して収束保証を提供するための新しい理論フレームワークを開発する。
特に,本研究の結果は,収束を保証するためには,内部段階のステップを逆比例して$N$の内段ステップを選択する必要があることを示唆している。
論文 参考訳（メタデータ） (2020-02-18T19:17:54Z)
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。