Special Issue: Physics-Informed Machine Learning for Advanced Manufacturing
Notice bibliographique
Résumé
Yuebin GuoYuebin Guo This Special Issue serves as a bridge between the ASME Journal of Manufacturing Science and Engineering (JMSE) and the global community of artificial intelligence manufacturing researchers. The primary objective of the Special Issue is to collect high-level scientific articles in the emerging area of physics-informed machine learning (PIML) for advanced manufacturing and push the boundaries of knowledge. Contributions are sought in recent advances, challenges, and future directions of PIML model development at the levels of processes, machines, and systems.A team of Guest Editors has been setup to collect as diverse selection articles as possible. The team is led by Professor Yuebin Guo (Rutgers University-New Brunswick, Piscataway, NJ) and consists of Professor Yusuf Altintas (The University of British Columbia, Vancouver, BC, Canada), Professor Qing Chang (University of Virginia, Charlottesville, VA), Professor Robert Gao (Case Western Reserve University, Cleveland, OH), Professor Weihong Grace Guo (Rutgers University-New Brunswick, Piscataway, NJ), Dr. Andy Henderson (Hendtech LLC, Greenville, SC), Dr. Jaydeep Karandikar (Oak Ridge National Laboratory, Oak Ridge, TN), and Professor Tony Schmitz (University of Tennessee, Knoxville, TN).While this collection of articles represents only an initiative to define and shape the nascent area of PIML for advanced manufacturing, it demonstrates a snapshot of the current landscape of the vibrant area. These articles cover a wide array of PIML topics, including forward and inverse predictions, uncertainty quantification and Bayesian optimization, data assimilation, process optimization, machine dynamics, quality control, and reduced-order models. The collection of articles is from Oct. 2023 to Jan. 2024. Each article underwent a rigorous peer review process, which is a hallmark of JMSE.The Guest Editors would like to acknowledge JMSE Editor-in-Chief Professor Albert Shih for providing timely consultation and feedback during the process. We also want to acknowledge Jennifer Smith and Emily Bosco, who provided continuous and timely editorial assistance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».