制药制造中复杂热动力学的过程信息预测
机器学习
2026-05-18 v3
摘要
复杂物理系统的精确时间序列预测是现代工业监测与控制的基石，但深度学习模型往往缺乏受监管环境所需的物理一致性。为弥补这一差距，我们提出了针对制药冷冻干燥过程中温度的过程信息预测（PIF）模型，将确定性生产工艺配方嵌入为宏观结构先验。我们研究了经典方法（如自回归积分滑动平均（ARIMA）模型）和现代深度学习架构，包括 Kolmogorov-Arnold Networks（KANs）。我们比较了三种整合过程信息轨迹先验的不同损失函数形式：固定权重损失、基于动态不确定性的损失，以及基于残差的注意力（RBA）机制。我们不仅从准确性和物理一致性角度，还从对传感器噪声的鲁棒性角度对所有模型进行了评估。此外，我们在迁移学习场景下测试了最佳模型对新工艺的实际泛化能力。结果表明，PIF 模型在准确性、物理合理性和噪声鲁棒性方面均优于纯数据驱动模型，为关键制造领域提供了可靠且可泛化的可扩展预测框架。
引用
@article{arxiv.2509.20349,
title = {Process-Informed Forecasting of Complex Thermal Dynamics in Pharmaceutical Manufacturing},
author = {Ramona Rubini and Siavash Khodakarami and Aniruddha Bora and George Em Karniadakis and Michele Dassisti},
journal= {arXiv preprint arXiv:2509.20349},
year = {2026}
}