基于量子增强集成 GAN 的连续生物制造异常检测
机器学习
2026-02-26 v2 其他定量生物学
量子物理
摘要
连续生物制造过程的发展需要稳健且及早的异常检测，因为即使是轻微的偏差也会损害产量和稳定性，导致计划中断、周产量下降和经济绩效下降。这些过程本质上是复杂的，呈非线性动力学，各过程变量之间存在复杂的关系，因此需要先进的方法进行异常检测以实现高效运行。本文提出了一种基于生成对抗网络（GAN）集成的连续生物制造异常检测新框架。我们首先构建基准数据集，模拟连续小分子生产过程中的正常和异常运行 regime。随后展示了我们基于 GAN 的框架在检测由突发原料波动引起的异常方面的有效性。最后，我们评估了使用混合量子/经典 GAN 方法——包括模拟量子电路和真实光子量子处理器——对异常检测性能的影响。我们发现，混合方法可实现更高的异常检测率。我们的工作显示，混合量子/经典方法在解决复杂连续生物制造过程中的实际问题方面的潜力。
引用
@article{arxiv.2508.21438,
title = {Quantum enhanced ensemble GANs for anomaly detection in continuous biomanufacturing},
author = {Rajiv Kailasanathan and William R. Clements and Mohammad Reza Boskabadi and Shawn M. Gibford and Emmanouil Papadakis and Christopher J. Savoie and Seyed Soheil Mansouri},
journal= {arXiv preprint arXiv:2508.21438},
year = {2026}
}
备注
Accepted in the Journal of Industrial & Engineering Chemistry Research