.png){kind=icon}
返回
A multiscale Bayesian optimization framework for process and material codesign
.png){kind=icon}
OA
AI
DOI：10.1002/aic.70228.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
同时设计工艺和使能材料（如溶剂、催化剂和吸附剂）具有挑战性，因为分子层面和工艺层面的决策高度相互依赖。顺序方法往往产生次优结果，因为材料性能的改进可能无法转化为更优异的工艺性能。我们提出了一种多尺度贝叶斯优化（BO）框架，该框架在双层结构中显式耦合分子层面和工艺层面的设计。内环求解确定性工艺模型，而外层BO循环探索分子描述符，实现降维、提高采样效率和处理工艺约束。一项关于多尺度反应器和催化剂协同设计的研究案例表明，这种混合策略以远低于直接在全决策空间上进行BO的计算量实现了最优性能。因此，当BO与自然的工艺-材料层级对齐时，它为多尺度设计提供了一种高效的计算方法。
Keyword:
Bayesian optimization
bi-level optimization
material design
multiscale modeling
process design
期刊
IF:
4
论文数:
1.1W
被引数:
3.1W
机构
引用论文
.png){kind=icon}
NEXTorch: A Design and Bayesian Optimization Toolkit for Chemical Sciences and EngineeringNEXTorch: 用于化学科学和工程的设计和贝叶斯优化工具包OAAI
OAAI分享收藏Adaptive sequential sampling for surrogate model generation with artificial neural networks用于人工神经网络代理模型生成的自适应顺序采样
PREAI
分享收藏Multiscale Design of Ionic Liquid Solvents and CO2 Capture Processes for High-Pressure Point Sources
PREAI
分享收藏
查看更多内容