論文の概要: Digital Twin Calibration for Biological System-of-Systems: Cell Culture Manufacturing Process

• arxiv url: http://arxiv.org/abs/2405.03913v1
• Date: Tue, 7 May 2024 00:22:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 15:48:10.755243
• Title: Digital Twin Calibration for Biological System-of-Systems: Cell Culture Manufacturing Process
• Title（参考訳）: 生物システムのためのデジタル双対校正:細胞培養プロセス
• Authors: Fuqiang Cheng, Wei Xie, Hua Zheng,
• Abstract要約: バイオマニュファクチャリングの革新は、プロセスと製品の品質を最適化するための実験(DoE)の効率的な設計に依存している。 従来のDOE法は、基盤となるバイオプロセッシング機構を無視し、しばしば解釈可能性の欠如とサンプル効率の欠如に悩まされる。 この制限は、デジタルツインモデルキャリブレーションのためのシーケンシャルなDoEをガイドする、新しい最適学習アプローチを作成する動機となります。
• 参考スコア（独自算出の注目度）: 3.0790370651488983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomanufacturing innovation relies on an efficient design of experiments (DoE) to optimize processes and product quality. Traditional DoE methods, ignoring the underlying bioprocessing mechanisms, often suffer from a lack of interpretability and sample efficiency. This limitation motivates us to create a new optimal learning approach that can guide a sequential DoEs for digital twin model calibration. In this study, we consider a multi-scale mechanistic model for cell culture process, also known as Biological Systems-of-Systems (Bio-SoS), as our digital twin. This model with modular design, composed of sub-models, allows us to integrate data across various production processes. To calibrate the Bio-SoS digital twin, we evaluate the mean squared error of model prediction and develop a computational approach to quantify the impact of parameter estimation error of individual sub-models on the prediction accuracy of digital twin, which can guide sample-efficient and interpretable DoEs.
• Abstract（参考訳）: バイオマニュファクチャリングの革新は、プロセスと製品の品質を最適化するための実験(DoE)の効率的な設計に依存している。 従来のDOE法は、基盤となるバイオプロセッシング機構を無視し、しばしば解釈可能性の欠如とサンプル効率の欠如に悩まされる。 この制限は、デジタルツインモデルキャリブレーションのためのシーケンシャルなDoEをガイドする、新しい最適学習アプローチを作成する動機となります。 本研究では,細胞培養プロセスのマルチスケール力学モデル(バイオシステム・オブ・システム(Bio-SoS))を我々のディジタルツインとして検討する。 サブモデルで構成されたモジュラー設計のこのモデルは、さまざまな生産プロセスにまたがるデータの統合を可能にします。 そこで,Bio-SoSディジタルツインを校正するために,モデル予測の平均2乗誤差を評価し,個々のサブモデルのパラメータ推定誤差がデジタルツインの予測精度に与える影響を定量化する計算手法を開発した。

関連論文リスト

• 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)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Statistical Parameterized Physics-Based Machine Learning Digital Twin Models for Laser Powder Bed Fusion Process [9.182594748320948]
  デジタルツイン(Digital twin, DT)は、物理プロセス、製品、および/またはシステムの仮想表現である。 本稿では, LPBF金属添加物製造プロセスの統計的予測のためのパラメータ化物理ベースのディジタルツイン (PPB-DT) を提案する。 我々は,溶融プール地形の予測,モニタリング,制御を行うために,機械学習ベースのディジタルツイン(PPB-ML-DT)モデルを訓練した。
  論文  参考訳（メタデータ） (2023-11-14T00:45:53Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Multi-fidelity Gaussian Process for Biomanufacturing Process Modeling with Small Data [1.4687789417816917]
  本稿では, バイオマニュファクチャリングにおけるプロセスモデリングに, 統計的機械学習アプローチ, 多要素ガウスプロセスを用いることを提案する。 生物生産,バイオリアクターのスケールアップ,細胞間知識伝達における2つの重要な課題を解決するために,多要素ガウス法を適用し,実世界のデータセット上での有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-26T06:38:34Z)
• Extending Process Discovery with Model Complexity Optimization and Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
  モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。 所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。 医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-06-10T16:20:59Z)
• 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)
• Attentive Neural Processes and Batch Bayesian Optimization for Scalable Calibration of Physics-Informed Digital Twins [10.555398506346291]
  物理インフォームド力学系モデルは、構築された環境のデジタル双対の重要な構成要素を形成する。 スケーラブルで並列化可能なバッチワイドベイズ最適化(BBO)手法であるANP-BBOを提案する。
  論文  参考訳（メタデータ） (2021-06-29T15:30:55Z)
• 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)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。