Artificial intelligence and machine learning at various stages and scales of process systems engineering
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract We review the utility and application of artificial intelligence (AI) and machine learning (ML) at various process scales in this work, from molecules and reactions to materials to processes, plants, and supply chains; furthermore, we highlight whether the application is at the design or operational stage of the process. In particular, we focus on the distinct representational frameworks employed at the various scales and the physics (equivariance, additivity, injectivity, connectivity, hierarchy, and heterogeneity) they capture. We also review AI techniques and frameworks important in process systems, including hybrid AI modelling, human‐AI collaborations, and generative AI techniques. In hybrid AI models, we emphasize the importance of hyperparameter tuning, especially in the case of physics‐informed regularization. We highlight the importance of studying human‐AI interactions, especially in the context of automation, and distinguish the features of human‐complements‐AI systems from those of AI‐complements‐human systems. Of particular importance in the AI‐complements‐human framework are model explanations, including rule‐based explanation, explanation‐by‐example, explanation‐by‐simplification, visualization, and feature relevance. Generative AI methods are becoming increasingly relevant in process systems engineering, especially in contexts that do not belong to ‘big data’, primarily due to the lack of high quality labelled data. We highlight the use of generative AI methods including generative adversarial networks, graph neural networks, and large language models/transformers along with non‐traditional process data (images, audio, and text).
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.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle