論文の概要: Deep reinforcement learning for process design: Review and perspective
- arxiv url: http://arxiv.org/abs/2308.07822v1
- Date: Tue, 15 Aug 2023 14:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 12:21:19.359802
- Title: Deep reinforcement learning for process design: Review and perspective
- Title(参考訳): プロセス設計のための深層強化学習 : レビューと展望
- Authors: Qinghe Gao and Artur M. Schweidtmann
- Abstract要約: 深層強化学習は、複雑な意思決定の問題を解決し、持続可能なプロセス設計を支援する可能性を示している。
ケミカルエンジニアリングにおけるプロセス設計のための強化学習の可能性を最大限に広げるために、基礎となる課題と将来的な研究について論じる。
- 参考スコア(独自算出の注目度): 1.1603243575080535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The transformation towards renewable energy and feedstock supply in the
chemical industry requires new conceptual process design approaches. Recently,
breakthroughs in artificial intelligence offer opportunities to accelerate this
transition. Specifically, deep reinforcement learning, a subclass of machine
learning, has shown the potential to solve complex decision-making problems and
aid sustainable process design. We survey state-of-the-art research in
reinforcement learning for process design through three major elements: (i)
information representation, (ii) agent architecture, and (iii) environment and
reward. Moreover, we discuss perspectives on underlying challenges and
promising future works to unfold the full potential of reinforcement learning
for process design in chemical engineering.
- Abstract(参考訳): 化学産業における再生可能エネルギーと飼料供給への転換は、新しい概念的プロセス設計アプローチを必要とする。
近年、人工知能のブレークスルーは、この移行を加速する機会を提供する。
具体的には、機械学習のサブクラスである深層強化学習は、複雑な意思決定問題を解決する可能性を示し、持続可能なプロセス設計を支援する。
プロセス設計における強化学習の最先端研究を3つの要素を通して調査する。
(i)情報表現
(ii)エージェントアーキテクチャ、及び
(iii)環境と報酬。
さらに,化学工学におけるプロセス設計における強化学習の可能性について,基礎となる課題と今後の課題について考察する。
関連論文リスト
- Responding to Generative AI Technologies with Research-through-Design: The Ryelands AI Lab as an Exploratory Study [6.028558240668647]
我々は小学校と提携して、生成的AI技術と相互作用する学生を中心とした建設学カリキュラムを開発する。
本稿では,カリキュラムと学習教材の設計とアウトプットの詳細な説明を行い,その反抗的かつ長期にわたるハンズオンのアプローチが,学生の実践的かつ重要な能力の共同開発に繋がったことを中心的に見出した。
論文 参考訳(メタデータ) (2024-05-07T21:34:10Z) - Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
本調査では,コンピュータ支援設計における学習手法の概要について概観する。
類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。
ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
論文 参考訳(メタデータ) (2024-02-27T17:11:35Z) - Machine learning for structure-guided materials and process design [0.6282171844772422]
プロセス-構造-プロパティチェーン全体を網羅する全体最適化手法を提案する。
本手法では,2つの重要な識別問題に対処するために,機械学習技術を用いる。
本手法は, 金属成形プロセスにおいて, 所望の特性を有する結晶テクスチャを作製するために用いられる。
論文 参考訳(メタデータ) (2023-12-22T09:28:30Z) - Machine Learning-Assisted Discovery of Novel Reactor Designs [0.0]
我々は,次世代の化学反応器の設計のための機械学習支援アプローチを開発した。
流体力学的原理に訴えることにより,従来の設計よりも60%の性能向上をもたらす新しい設計特徴の選択を合理化する。
以上の結果から,先進的な製造技術とインテリジェンスを融合させることで,設計性能が向上し,その結果,排出削減や持続可能性も向上することが示唆された。
論文 参考訳(メタデータ) (2023-08-17T08:00:20Z) - Challenges and Practices of Deep Learning Model Reengineering: A Case
Study on Computer Vision [3.510650664260664]
多くのエンジニアリング組織が、研究コミュニティからディープニューラルネットワークを再実装し、拡張しています。
ディープラーニングモデルの再設計は、ドキュメント不足の参照モデル、要件の変更、実装とテストのコストといった理由から難しい。
本研究は「プロセス」の観点からのリエンジニアリング活動に重点を置いており、リエンジニアリングプロセスに特に携わるエンジニアに焦点を当てている。
論文 参考訳(メタデータ) (2023-03-13T21:23:43Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-14T18:51:22Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳(メタデータ) (2022-11-29T17:28:31Z) - Artificial intelligence approaches for materials-by-design of energetic
materials: state-of-the-art, challenges, and future directions [0.0]
我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。
文献における手法を,少数のデータから学習する能力の観点から評価する。
本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
論文 参考訳(メタデータ) (2022-11-15T14:41:11Z) - Towards Machine Learning for Placement and Routing in Chip Design: a
Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。
機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文 参考訳(メタデータ) (2022-02-28T06:28:44Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳(メタデータ) (2021-06-16T01:25:51Z) - Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。
近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。
転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
論文 参考訳(メタデータ) (2020-09-16T18:38:54Z)
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。