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

• arxiv url: http://arxiv.org/abs/2405.11752v2
• Date: Wed, 23 Oct 2024 08:29:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:51:46.570780
• Title: Towards Foundation Model for Chemical Reactor Modeling: Meta-Learning with Physics-Informed Adaptation
• Title（参考訳）: 化学反応器モデリングの基礎モデルに向けて: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, 化学反応器モデリングにおける基礎モデルの新たな応用について述べる。 我々のモデルは3つの古典的な原子炉タイプにまたがって一般化するように設計されている。 これは、異なる反応器のセットアップにまたがる様々な整数の順序で、目に見えない反応に迅速に適応することを示している。
• 参考スコア（独自算出の注目度）: 14.835081385422653
• License:
• Abstract: In this work, we present a novel application of foundation models for chemical reactor modeling. Accurate modeling of real-world chemical reactors through first-principles is often challenging, and the process of rebuilding and retraining models for each new chemical process is inefficient. This raises a critical question: can we develop a single, universal neural network (i.e., a foundation model) that can rapidly adapt to any new chemical process in a reactor? To address this, we propose a foundation model for chemical reactor modeling that employs a meta-learning approach, followed by physics-informed fine-tuning on new tasks with only a few data samples. Our model is designed to generalize across three classic reactor types: continuous stirred tank reactors, batch reactors, and plug flow reactors. Compared to conventional methods such as data-driven learning, physics-informed learning, transfer learning, and meta-learning, our approach demonstrates superior performance in few-shot scenarios. Specifically, it shows rapid adaptation to unseen reactions with varying integer orders across different reactor set-ups, requiring minimal data for fine-tuning. Source code is available at https://github.com/killingbear999/chemical-reactor-foundation-model.
• Abstract（参考訳）: 本稿では, 化学反応器モデリングのための基礎モデルの新規な応用について述べる。 第一原理による実世界の化学反応器の正確なモデリングは、しばしば困難であり、新しい化学プロセスごとにモデルを再構築・再訓練するプロセスは非効率である。 これは、原子炉内の新しい化学プロセス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)を開発することができるか? そこで本研究では,メタラーニング手法を用いた化学反応器モデリングの基礎モデルを提案する。 本モデルでは, 連続加熱炉, バッチリアクター, プラグフローリアクターの3種類の古典型反応器を一般化する。 データ駆動学習,物理情報学習,移動学習,メタラーニングといった従来の手法と比較して,本手法は数ショットのシナリオにおいて優れた性能を示す。 具体的には、異なる反応器セットにまたがる様々な整数順序の未確認反応に迅速に適応し、微調整のために最小限のデータを必要とする。 ソースコードはhttps://github.com/killingbear999/chemical-reactor-foundation-modelで入手できる。

関連論文リスト

• Jointly Training and Pruning CNNs via Learnable Agent Guidance and Alignment [69.33930972652594]
  本稿では,CNNモデルの重みと構造的プーン構造を協調的に学習するための新しい構造的プルーニング手法を提案する。 本手法の中核となる要素は強化学習(RL)エージェントであり,その動作がCNNモデルの階層のプルーニング比を決定する。 我々は,モデルの重みとエージェントのポリシーを反復的に訓練し,共同訓練と刈り取りを行う。
  論文  参考訳（メタデータ） (2024-03-28T15:22:29Z)
• 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)
• Contextual Molecule Representation Learning from Chemical Reaction Knowledge [24.501564702095937]
  本稿では,共通化学における原子結合規則をうまく利用した自己教師型学習フレームワークREMOを紹介する。 REMOは、文献における170万の既知の化学反応に関するグラフ/トランスフォーマーエンコーダを事前訓練する。
  論文  参考訳（メタデータ） (2024-02-21T12:58:40Z)
• 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)
• 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。