論文の概要: Deep Learning for Model Calibration in Simulation of Itaconic Acid Production

• arxiv url: http://arxiv.org/abs/2604.22496v1
• Date: Fri, 24 Apr 2026 12:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.450495
• Title: Deep Learning for Model Calibration in Simulation of Itaconic Acid Production
• Title（参考訳）: イタコン酸生産シミュレーションにおけるモデル校正の深層学習
• Authors: Daria Fokina, Marco Baldan, Constantin Romankiewicz, Wolfgang Laudensack, Roland Ulber, Michael Bortz,
• Abstract要約: 直接ディープラーニング(DDL)と生成条件フローマッチング(CFM)の2つの深層学習戦略を比較し,基準手法として非線形回帰と比較した。 CFMにより予測された濃度分布は, 非線形回帰から得られた値とよく一致した。 これらの結果から, CFMは, 動的バイオプロセスモデルにおけるパラメータ推定のためのフレキシブルでデータ効率のよいフレームワークを提供することにより, 様々な操作条件やスケールでシステムの挙動を確実に予測できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.19544534628180865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, deep learning is used to estimate kinetic parameters for modeling itaconic acid production based on real batch experiments conducted at different agitation speeds and reactor scales. Two deep learning strategies, namely direct deep learning (DDL) and generative conditional flow matching (CFM) are compared and benchmarked against nonlinear regression as a reference method. Compared with DDL, CFM consistently yields more accurate results. The concentration profiles predicted by CFM closely match those obtained from nonlinear regression, whereas DDL results in larger deviations. Similar behavior is observed in the scale-up experiments, where the CFM model again generalizes better and is more robust than the direct approach. These findings demonstrate that CFM can reliably predict system behavior across different operating conditions and scales, offering a flexible and data-efficient framework for parameter estimation in dynamic bioprocess models.
• Abstract（参考訳）: 本研究では, 反応速度と反応器スケールの異なる実バッチ実験に基づいて, イタコン酸生成のモデル化のためのパラメータを推定するために, 深層学習を用いた。 直接ディープラーニング(DDL)と生成条件フローマッチング(CFM)の2つの深層学習戦略を比較し,基準手法として非線形回帰と比較した。 DDLと比較すると、CFMは一貫してより正確な結果が得られる。 CFMにより予測された濃度分布は, 非線形回帰から得られた値とよく一致した。 同様の挙動はスケールアップ実験で観察され、CFMモデルは直接のアプローチよりもより良く、より堅牢である。 これらの結果から, CFMは, 動的バイオプロセスモデルにおけるパラメータ推定のためのフレキシブルでデータ効率のよいフレームワークを提供することにより, 様々な操作条件やスケールでシステムの挙動を確実に予測できることが示唆された。

関連論文リスト

• Neural Diffusion Intensity Models for Point Process Data [4.1419700571838405]
  ニューラルSDEによって駆動されるCoxプロセスの変動フレームワークを提案する。 点過程観測における条件付けは, 遅延強度の拡散構造を明示的なドリフト補正で保存することを示す。
  論文  参考訳（メタデータ） (2026-02-27T15:21:06Z)
• Strategies to Minimize Out-of-Distribution Effects in Data-Driven MRS Quantification [16.060904490566383]
  磁気共鳴分光法(MRS)における代謝物定量化のためのデータ駆動型およびモデルベース戦略を系統的に比較した。 教師付き学習はトレーニング分布と同様のスペクトルの精度を達成したが,トレーニング分布を超えて外挿した場合に顕著な劣化が認められた。 テスト時間適応は、OoD効果に対してより弾力性を示し、自己教師型学習は中間的性能を達成した。
  論文  参考訳（メタデータ） (2025-11-28T12:33:05Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Deep Latent Force Models: ODE-based Process Convolutions for Bayesian Deep Learning [0.0]
  深潜力モデル (DLFM) は、各層に物理インフォームドカーネルを持つ深いガウス過程である。 我々はDLFMの非線形実世界の時系列データに現れるダイナミクスを捉える能力の実証的証拠を提示する。 DLFMは,非物理インフォームド確率モデルに匹敵する性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-11-24T19:55:57Z)
• Exploring Continual Learning of Diffusion Models [24.061072903897664]
  拡散モデルの連続学習(CL)特性を評価する。 我々は,拡散の時間経過にまたがる多様な行動を示す,忘れのダイナミクスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-27T15:52:14Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Harmonization with Flow-based Causal Inference [12.739380441313022]
  本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。 我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
  論文  参考訳（メタデータ） (2021-06-12T19:57:35Z)

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。