論文の概要: Physics-Constrained Machine Learning for Chemical Engineering

• arxiv url: http://arxiv.org/abs/2508.20649v1
• Date: Thu, 28 Aug 2025 10:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.347781
• Title: Physics-Constrained Machine Learning for Chemical Engineering
• Title（参考訳）: 化学工学のための物理制約機械学習
• Authors: Angan Mukherjee, Victor M. Zavala,
• Abstract要約: 物理制約付き機械学習(PCML)は、物理モデルとデータ駆動のアプローチを組み合わせて、信頼性、一般化可能性、解釈可能性を改善する。 この視点は最近の発展を要約し、化学工学にPCMLを適用する際の課題/機会を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-constrained machine learning (PCML) combines physical models with data-driven approaches to improve reliability, generalizability, and interpretability. Although PCML has shown significant benefits in diverse scientific and engineering domains, technical and intellectual challenges hinder its applicability in complex chemical engineering applications. Key difficulties include determining the amount and type of physical knowledge to embed, designing effective fusion strategies with ML, scaling models to large datasets and simulators, and quantifying predictive uncertainty. This perspective summarizes recent developments and highlights challenges/opportunities in applying PCML to chemical engineering, emphasizing on closed-loop experimental design, real-time dynamics and control, and handling of multi-scale phenomena.
• Abstract（参考訳）: 物理制約付き機械学習(PCML)は、物理モデルとデータ駆動のアプローチを組み合わせて、信頼性、一般化可能性、解釈可能性を改善する。 PCMLは、様々な科学的・工学的な分野において大きな恩恵を受けているが、複雑な化学工学の応用において、技術的・知的な課題が適用を妨げている。 主な課題は、埋め込む物理知識の量とタイプを決定すること、MLによる効果的な融合戦略を設計すること、大規模なデータセットやシミュレータにモデルをスケーリングすること、予測の不確実性を定量化することである。 この視点は最近の発展を要約し、PCMLを化学工学に適用する際の課題/機会を強調し、クローズドループ実験設計、リアルタイムダイナミクスと制御、マルチスケール現象の処理を強調している。

関連論文リスト

• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing [0.0]
  金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、不均一で非平衡な微細構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。
  論文  参考訳（メタデータ） (2025-05-02T17:59:54Z)
• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics [5.5371760658918]
  ディープラーニング技術と物理駆動設計の統合は、私たちが逆問題に対処する方法を変えつつある。 この視点は、物理駆動学習法の進歩と可能性を強調している。 MLと物理の融合により、より効率的で信頼性の高い問題解決戦略がもたらされることが示されている。
  論文  参考訳（メタデータ） (2025-01-09T21:14:25Z)
• Symmetry-invariant quantum machine learning force fields [0.0]
  我々は、データに着想を得た、広範囲な物理関連対称性の集合を明示的に組み込んだ量子ニューラルネットワークを設計する。 この結果から,分子力場生成は量子機械学習の枠組みを生かして著しく利益を得る可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-19T16:15:53Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Theory-Guided Machine Learning for Process Simulation of Advanced Composites [0.0]
  Theory-Guided Machine Learning (TGML)は、物理法則をMLアルゴリズムに統合することを目指している。 本稿では, 複合材料の加工過程における熱管理に関する3つのケーススタディについて述べる。
  論文  参考訳（メタデータ） (2021-03-30T00:49:40Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Machine Learning for Condensed Matter Physics [0.0]
  凝縮物質物理学(CMP)は、量子と原子レベルの物質の微視的相互作用を理解することを目的としている。 CMPは、化学、材料科学、統計物理学、高性能コンピューティングなど、多くの重要な科学分野と重なり合っている。 現代の機械学習(ML)技術は、両方の分野の交差点で魅力的な新しい研究領域を生み出した。
  論文  参考訳（メタデータ） (2020-05-28T18:44:55Z)

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。