整合知识引导的符号回归与模型化实验设计以自动化工艺流程图开发
机器学习
2024-05-09 v1
摘要
新产品必须快速研发以在全球配方产品市场中取得成功；然而，关键产品指标（KPIs）可以是化学组成和加工历史的复杂、鲁莽函数。这导致规模化研发目前必须经历高昂的试错过程。为加速工艺流程图（PFD）优化和知识发现，本工作提出了一种新型数字框架，通过整合符号回归（Symbolic Regression, SR）于模型化实验设计（Model-based Design of Experiments, MBDoE）来自动量化工艺机制。每次迭代中，SR提出一组可解释的机械表达式Pareto前沿，然后MBDoE设计新的实验以在此基础上进行区分，同时平衡PFD优化。为考察该框架的性能，构建了一个能够模拟通用配方产品合成的新过程模型，用于生成不同案例研究的原位数据。该框架能够在少数迭代次数内有效发现真实的工艺机制，表明其在一般化学工业中用于数字制造和产品创新具有巨大潜力。
引用
@article{arxiv.2405.04592,
title = {Integrating knowledge-guided symbolic regression and model-based design of experiments to automate process flow diagram development},
author = {Alexander W. Rogers and Amanda Lane and Cesar Mendoza and Simon Watson and Adam Kowalski and Philip Martin and Dongda Zhang},
journal= {arXiv preprint arXiv:2405.04592},
year = {2024}
}