論文の概要: Foundation Model for Chemical Process Modeling: Meta-Learning with Physics-Informed Adaptation

• arxiv url: http://arxiv.org/abs/2405.11752v1
• Date: Mon, 20 May 2024 03:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 14:23:32.354888
• Title: Foundation Model for Chemical Process Modeling: Meta-Learning with Physics-Informed Adaptation
• Title（参考訳）: 化学プロセスモデリングの基礎モデル:物理インフォームド適応によるメタラーニング
• Authors: Zihao Wang, Zhe Wu,
• Abstract要約: 本稿では,非線形化学プロセスモデリングの分野における基礎モデルの新たな応用について紹介する。 本稿では,Reptile を用いたメタラーニングに基づく基礎モデル構築手法を提案する。 提案手法は,データ駆動学習,物理インフォームド学習,伝達学習,純粋メタラーニングといった従来の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 14.835081385422653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we introduce a novel application of foundation models in the domain of nonlinear chemical process modeling. Given the challenges of obtaining accurate first-principles models for real-world chemical processes and the inefficiency of rebuilding and retraining models for new chemical processes, we pose a pivotal question: What if we could develop a single, universal neural network (i.e., foundation model) capable of rapidly adapting to modeling any new chemical process? To address this question, we propose a meta-learning-based approach using Reptile to construct the foundation model, followed by physics-informed adaptation to fine-tune it to new modeling tasks using only a few data samples. To assess the effectiveness of our methodology, we construct a foundation model for various chemical reactions in three classical generic reactors, including continuous stirred tank reactors (CSTRs), batch reactors (BRs), and plug flow reactors (PFRs). Our approach outperforms conventional methods such as data-driven learning, physics-informed learning, transfer learning, and pure meta-learning in a few-shot setting. Furthermore, our method achieves rapid adaptation to new CSTRs, BRs, and PFRs using only a few data samples from the designated tasks. Source code is available at https://github.com/killingbear999/chemical-process-foundation-model.
• Abstract（参考訳）: 本稿では,非線形化学プロセスモデリングの分野における基礎モデルの新たな応用について紹介する。 現実世界の化学プロセスのための正確な第一原理モデルを得るという課題と、新しい化学プロセスのためのモデルの再編成と再訓練の非効率性を考えると、我々は重要な疑問を提起する: もし我々は、新しい化学プロセスのモデリングに迅速に適応できる単一の普遍的ニューラルネットワーク(すなわち基礎モデル)を開発できるとしたら? そこで本研究では,Reptile を用いたメタラーニングに基づく基礎モデル構築手法を提案する。 提案手法の有効性を評価するため, 連続拌槽リアクター (CSTR) , バッチリアクター (BR) , プラグフローリアクター (PFR) を含む3つの古典的汎用原子炉の各種化学反応の基礎モデルを構築した。 提案手法は,データ駆動学習,物理インフォームド学習,伝達学習,純粋メタラーニングといった従来の手法よりも優れている。 さらに,提案手法は,指定されたタスクからのデータサンプルのみを用いて,新しいCSTR,BR,PFRへの迅速な適応を実現する。 ソースコードはhttps://github.com/killingbear999/chemical-process-foundation-modelで入手できる。

関連論文リスト

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。 反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。 反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Reactor Optimization Benchmark by Reinforcement Learning [0.24374097382908472]
  本稿では,強化学習に特化して設計されたOpenNeoMCフレームワークのベンチマーク問題を紹介する。 テストケースは、異なる物理状態を表す、異なる局所的な最適性を備えており、アルゴリズムの学習に挑戦している。 厳密な制約で複雑な最適化景観をナビゲートする際の強化学習の有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-21T10:26:47Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
  簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。 単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
  論文  参考訳（メタデータ） (2023-05-26T00:43:02Z)
• A Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction [0.4166512373146748]
  本稿では,リアクトル過渡期の最終定常電力を予測するための,新しい多段階深層学習フレームワークを提案する。 我々は、分類段階と回帰段階の両方のフィードフォワードニューラルネットワークを使用し、リアクトルパワーの実環境計測と制御状態を統合したユニークなデータセットをトレーニングする。 ノイズを伴うシミュレーションデータの取り込みにより、モデルの一般化能力が大幅に向上し、オーバーフィッティングのリスクが軽減される。
  論文  参考訳（メタデータ） (2022-11-23T17:32:52Z)
• Machine Learning and Artificial Intelligence-Driven Multi-Scale Modeling for High Burnup Accident-Tolerant Fuels for Light Water-Based SMR Applications [0.3745741215827112]
  小型モジュール型原子炉の概念は、将来のエネルギー危機に対処するための展望を変えた。 この研究は、小さなモジュール型原子炉の設計最適化、制御、監視における機械学習と人工知能の適用に焦点を当てている。
  論文  参考訳（メタデータ） (2022-09-25T04:41:12Z)
• Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
  本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。 実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-05-30T16:55:59Z)
• Model LEGO: Creating Models Like Disassembling and Assembling Building Blocks [53.09649785009528]
  本稿では,新しいモデルを得るためのトレーニングを必要としないパラダイムについて検討する。 生体視覚系における受容野にインスパイアされたCNNの誕生と同様、モデル分解と組み立てを提案する。 モデル組立には、特定のタスクに適した新しいモデルを構築するために、アライメントパディング戦略とパラメータスケーリング戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T05:27:28Z)
• A Grid-Structured Model of Tubular Reactors [61.38002492702646]
  提案モデルは完全に偏微分方程式の既知の形式に基づくものや,多層パーセプトロンなどの汎用機械学習コンポーネントを含むものもある。 本研究では, 固定層反応器の状態を記述するために, 限られた量のデータを用いて, 提案モデルを訓練可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-13T19:54:23Z)
• Deep Surrogate Models for Multi-dimensional Regression of Reactor Power [0.0]
  我々は,原子炉の電力分布の高精度かつ高精度な多次元回帰を提供するニューラルネットワークの能力を確立する。 その結果、ニューラルネットワークは、自律型原子炉制御フレームワークで実装するサロゲートモデルに適した選択であることが示された。
  論文  参考訳（メタデータ） (2020-07-10T15:16:36Z)

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。