CrystalGPT：利用时间序列Transformer增强结晶预测与控制中的系统间可迁移性
材料科学
2023-06-07 v1 机器学习
摘要
对于预测与实时控制任务，基于机器学习（ML）的数字孪生常被采用。然而，尽管这些模型通常准确，它们是为单个系统定制设计的，导致系统间（S2S）可迁移性困难。即便不同化学系统的过程动力学存在显著相似性时也是如此。为应对该挑战，我们开发了一种新颖的时间序列Transformer（TST）框架，其利用了Transformer算法固有的强大迁移学习能力。使用来自不同操作场景下运行的不同结晶器的易获过程数据进行了演示。利用该广泛数据集，我们训练了TST模型（CrystalGPT），展现出卓越的S2S可迁移性，不仅覆盖所有已有系统，也适用于未遇见过的系统。CrystalGPT在所有系统上的累积误差优于现有ML模型八倍。此外，我们将CrystalGPT与预测控制器耦合，将设定点跟踪的方差降低至仅1%。
引用
@article{arxiv.2306.03099,
title = {CrystalGPT: Enhancing system-to-system transferability in crystallization prediction and control using time-series-transformers},
author = {Niranjan Sitapure and Joseph S. Kwon},
journal= {arXiv preprint arXiv:2306.03099},
year = {2023}
}
备注
21 Pages, 11 Figures. Submitted to Computers and Chemical Engineering Journal