May, 2024

将知识引导的符号回归与基于模型的实验设计相结合以自动化流程图开发

PDF
TL;DR新产品的快速制定对于在全球制定产品市场取得成功至关重要；然而，关键产品指标（KPI）可能是化学成分和处理历史的复杂且理解不足的功能。本研究提出了一种新的数字框架，通过将符号回归（SR）与基于模型的设计实验（MBDoE）相结合，以加速过程流程图（PFD）的优化和知识发现。研究表明，该框架能够在几次迭代中有效发现真实的过程机制，表明其在数字制造和产品创新的广泛化学行业中具有巨大的潜力。
发现论文，激发创造
  • 基于人工智能的管道和仪表图自动生成技术研究

    采用数据驱动方法，将控制结构预测视为翻译任务，将过程流程图 (PFDs) 翻译成管道和仪表图 (P&IDs)，并基于转移学习进行模型训练，该方法在 10,000 个生成的 P&IDs 上实现了 74.8% 的前五准确性和 100,000 个产生的 P&IDs 上实现了 89.2% 的准确性，展示了 AI 辅助过程工程的潜力，但是测试 302 个真实 P&IDs 的结果表明，需要更大的 P&IDs 数据集支持实际应用。

    Oct, 2022

  • 利用大型语言模型实现化学流程图的自动纠错

    提出了一种新颖的生成式人工智能方法来自动识别流程图中的错误并向用户提出更正建议，即自动更正流程图。通过在合成数据集上进行监督训练，模型在一个独立的合成流程图测试数据集上达到了 80% 的 top-1 准确率和 84% 的 top-5 准确率。研究结果表明该模型能够学习自动更正合成流程图，将为化学工程师提供一个有用的工具。

    Dec, 2023

  • 发现沉积过程的规则：利用无监督学习进行过程洞察、代理模型和敏感性分析

    本研究介绍了一种综合方法，利用数据驱动方法来阐明化学气相沉积（CVD）反应器中的沉积过程机制，并揭示了各个机制之间相互作用。该研究通过实验证明，采用流场分布（CFD）模型衍生的过程结果可以识别出对应于不同过程机制的 “结果” 簇，其中输入变量的相对影响发生显著转变。此外，通过多项式混沌展开（PCE）方法构建了一个高效的代理模型，该模型具有高准确性，方便了计算分析。最后，通过 Sobol' 指数实现了敏感性分析，量化了在已识别过程中的过程输入的影响。这项研究的揭示为后过渡区域发生的现象提供了假设，并强调了温度在扩散受限区域的重要性，即阿伦尼乌斯图表证明了在高温下激发了气相反应。我们提出的方法不仅具有与实验观察和理论原则相一致的洞察力，还有助于决策过程设计和优化。借助避免了昂贵费时的实验，我们的方法为提高过程效率提供了实用途径。此外，这项研究强调了基于数据驱动的计算方法在创新反应器设计范例方面的潜力。

    May, 2024

  • PDPK：一种用于制造业的综合流程数据和相应流程知识的框架

    使用一个可用于不同领域的综合数据集生成框架，模拟参数化流程并提供一致的流程数据，将出色的嵌入方法与知识图形进行比较，验证合成数据集的整体特征与真实数据集的可比性。

    Aug, 2023

  • 整合监督学习和无监督学习方法揭示关键过程输入

    该研究介绍了一个针对大规模工业过程的机器学习框架，旨在识别影响输出的关键参数，并生成精确的离样品定性和定量预测。该框架使用化学气相沉积作为示例，通过合并专业知识和聚类技术，确定了关键过程输入，并证明在输入众多、数据不足以直接应用深度学习技术的情况下具有价值，为底层过程提供有意义的洞察。

    May, 2024

  • 利用 FPGA 进行符号回归用于快速机器学习推理

    本篇论文提出一种利用符号回归技术和 FPGA 实现的机器学习模型优化算法，成功地将一个由 3 层神经元组成的模型大幅优化，准确率超过 90%，执行时间缩短了 13 倍。

    May, 2023

  • 渐进降阶建模：以选择性知识传输强化数据驱动建模

    通过减少数据需求并提高数据驱动模型的实际性，我们提出了一种渐进降阶建模框架，通过选择性地从之前的训练模型中转移有价值的知识，从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题，解锁了数据驱动建模在实际工程应用方面的潜力，为各个领域的进步提供了强有力的支持。

    Oct, 2023

  • MFRL-BI：一种基于贝叶斯推断的无模型强化学习过程控制方案设计

    利用模型无关的强化学习方法，通过实时数据进行实验和优化控制，提出了一种新的 MFRL 控制方案，通过贝叶斯推断更新干扰分布，来降低制造过程中的大幅波动，同时在未知的非线性化学机械化学抛光（CMP）过程中表现出良好的性能，并在干扰为加性的情况下保证了理论性质，数值研究也证明了我们方法的有效性和效率。

    Sep, 2023

  • 工程中融合先验知识的机器学习路径

    本研究介绍一个三级知识集成机器学习方法，在工程领域平衡整体主义和还原主义的视角，以在数据驱动的过程中转移和利用领域知识。

    Jul, 2023

  • 符号回归作为机器学习和深度学习的回归任务特征工程方法

    本研究提出将符号回归作为特征工程步骤与机器学习模型结合，通过在合成和真实物理相关数据集上进行大量实验，实证了 SR 派生特征的融合显著提高了机器学习和深度学习回归模型的预测能力，合成数据集 RMSE 有 34-86% 的改进，真实数据集有 4-11.5% 的改进，同时还在基于 Eliashberg 理论的超导临界温度预测中取得了 20% 以上的 RMSE 改进，这些结果突出了 SR 作为数据驱动模型特征工程组件的潜力。

    Nov, 2023