論文の概要: Differentiable Hybrid Modelling for Learning and Optimising Chemical Transport Processes from Experimental Data
- arxiv url: http://arxiv.org/abs/2609.04011v1
- Date: Thu, 03 Sep 2026 15:50:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.145106
- Title: Differentiable Hybrid Modelling for Learning and Optimising Chemical Transport Processes from Experimental Data
- Title（参考訳）: 実験データから化学輸送過程の学習と最適化のための微分可能なハイブリッドモデリング
- Abstract要約: 本稿では,輸送プロセス,特に人口収支方程式の場合の微分可能なハイブリッド・モデリング・フレームワークについて紹介する。
本フレームワークは, 実実験データから, 法則の発見と初期条件の適合を両立するように訓練された学習可能なニューラルネットワークコンポーネントと, 有限体積集団バランスの解法を統合する。
この研究は、質量、エネルギーおよび/または運動量輸送を含む任意の化学分離を学習し、最適化するための、そのような微分可能なハイブリッドモデリングフレームワークの巨大な可能性を強調している。
- 参考スコア（独自算出の注目度）: 0.34998703934432673
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reliable transport models are essential when modelling and optimising many chemical engineering processes, yet, most models assume hand-picked constitutive laws which may not reflect reality, and often assume initial conditions are known exactly. Both restrictions can significantly bias model predictions and lead to systematic error when used in predictive and control settings. Black-box neural surrogate alternatives for modelling can better match real example data, but are confined to the task they were trained on and cannot be interrogated for physical consistency. Here we introduce a general-purpose differentiable hybrid modelling framework for transport processes, specifically for the case of population balance equations. Our framework integrates a JAX finite volume population balance solver with learnable neural network components which are trained to both discover constitutive laws and fit initial conditions from real experimental data, allowing us to better model real experimental transport systems. Furthermore, we use our framework for process optimisation, using its differentiability to allow us to direct optimising experimental settings for quantities of interest. This work highlights the huge potential of such differentiable hybrid modelling frameworks for learning and optimising any given chemical separation which involves mass, energy, and/or momentum transport.
- Abstract（参考訳）: 信頼性のある輸送モデルは、多くの化学工学プロセスのモデリングと最適化において不可欠であるが、ほとんどのモデルは、現実を反映せず、しばしば初期条件が正確に知られていると仮定する手作業による構成法則を仮定する。
どちらの制限もモデル予測を著しく偏り、予測や制御の設定で使用すると体系的なエラーにつながる可能性がある。
モデリングのためのブラックボックスのニューラルサロゲートは、実際のサンプルデータにマッチするが、トレーニングされたタスクに限定され、物理的な一貫性のために尋問できない。
本稿では、輸送過程、特に人口収支方程式の場合の汎用微分可能ハイブリッド・モデリング・フレームワークについて紹介する。
本フレームワークは, JAX有限体積バランスの解法と学習可能なニューラルネットワークコンポーネントを統合し, 構成法則の発見と実実験データの初期条件の適合を両立させることにより, 実実験輸送システムのモデル化を向上する。
さらに、プロセスの最適化にフレームワークを使用し、その微分可能性を利用して、興味のある量の実験的な設定を直接最適化できるようにします。
この研究は、質量、エネルギーおよび/または運動量輸送を含む任意の化学分離を学習し、最適化するための、そのような微分可能なハイブリッドモデリングフレームワークの巨大な可能性を強調している。
関連論文リスト
- A tale of perfect fit and phantom optima: how data-driven models can fail in real-time optimization [0.0]
リアルタイム最適化(RTO)は、経済的に最適な運転条件を見つけるためのプロセスモデルに依存している。
現代の機械学習モデルは、過去の植物データに正確に適合し、しばしば標準的な検証テストに合格する。
このようなモデルが経済最適化に有効かどうかを考察する。
論文 参考訳（メタデータ） (2026-08-24T22:51:30Z) - Distributionally Robust Feature Selection [14.493253907785473]
本研究では,複数のサブポピュレーションにまたがって,訓練されたモデルが同時に動作するように,限られた特徴を選択するという課題について検討する。
提案手法は,ノイズ発生機構を用いて従来の変数選択を連続的に緩和する手法である。
我々は、下流予測の全体的性能を集団間でバランスさせるモデルに依存しない枠組みを開発する。
論文 参考訳（メタデータ） (2025-10-24T03:03:30Z) - Bridging Idealized and Operational Models: An Explainable AI Framework for Earth System Emulators [9.402119111650613]
我々は地球系エミュレータのための説明可能なAIフレームワークを開発した。
再構成された潜在データ同化技術によってモデル階層をブリッジする。
理想化されたモデルから目標とする改善を通じて、グローバルな精度の向上を実現する。
論文 参考訳（メタデータ） (2025-10-14T23:02:40Z) - Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。
本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
論文 参考訳（メタデータ） (2025-06-01T20:32:27Z) - Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。
我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文 参考訳（メタデータ） (2024-05-30T03:57:29Z) - Hybrid additive modeling with partial dependence for supervised regression and dynamical systems forecasting [5.611231523622238]
部分依存に基づく新たなハイブリッドトレーニング手法を導入し,複雑な正規化の必要性を排除した。
合成問題と実回帰問題の両方において、そのようなハイブリッドモデルを訓練するためのいくつかのアプローチを比較する。
ツリーベースモデルや人工ニューラルネットワークなど、さまざまなタイプの機械学習モデルで実験が実施されている。
論文 参考訳（メタデータ） (2023-07-05T12:13:56Z) - 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) - Hybrid Machine Learning Modeling of Engineering Systems -- A
Probabilistic Perspective Tested on a Multiphase Flow Modeling Case Study [0.0]
本稿では,第1原理モデルの処理条件のチューニングを可能にする,ハイブリッドモデリング機械学習フレームワークを提案する。
我々の手法は第一原理モデルパラメータの期待値を推定するだけでなく、これらの推定の不確実性を定量化する。
シミュレーションの結果, 得られたハイブリッドモデルの不確実性推定を用いて, より良い操作決定を行う方法が示された。
論文 参考訳（メタデータ） (2022-05-18T20:15:25Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳（メタデータ） (2021-07-14T17:55:28Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Design of Dynamic Experiments for Black-Box Model Discrimination [72.2414939419588]
選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。
勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。
これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
論文 参考訳（メタデータ） (2021-02-07T11:34:39Z)
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。