文献

J-GLOBAL ID：201802222381826603   整理番号：18A1907863

醸造処方からの化学的性質予測への深層学習アプローチ【JST・京大機械翻訳】

Deep Learning Approaches to Chemical Property Prediction from Brewing Recipes

著者 (4件)： Ermi Gracie (Vulcan Inc., Seattle, Washington) ,  Ayton Ellyn (Western Washington University, Bellingham, Washington) ,  Price Nolan (Western Washington University, Bellingham, Washington) ,  Hutchinson Brian (Western Washington University, Bellingham, Washington)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IJCNN  ページ： 1-7  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 過去10年間にわたる船ビール醸造の爆発にもかかわらず,醸造プロセスの最適化を理解するために,公共領域探索機械学習アプローチにおいて実質的な仕事はない。異なるドメインにわたるオブジェクトの表現間のマッピングを学習することは,機械学習における基本的な課題の一つである。ビールの少なくとも3つの異なる表現があり,それらの間の地図を学習することが望まれる可能性がある。1)醸造処方,2)結果としてのビールの化学組成,3)ビールの書き換え。これら3つのドメインの任意の対の間のマッピングは非常に非線形である。ビール醸造ビールは複雑な生物学的及び化学的プロセスを含むが,ビールのヒトの定性的認識はさらに複雑である。本論文で記述した研究において,著者らは前者に焦点を合わせた:処方と化学属性領域の間のマッピング。著者らは,2つの深い学習アーキテクチャを用いて,これらの2つの領域におけるビール間の非線形関係をモデル化し,粗および細粒ビールタイプを分類し,元の重力,最終重力,体積によるアルコール,国際的苦味ユニットおよび色に対する範囲を予測した。そのようなモデルはビールの望ましい化学的性質を生産するための最適化を最適化するために用いることができ,ビールをより良い味のあるビール,より速く,より少ない廃棄物で設計することを可能にする。本研究では,約223Kの醸造精度を持ち,これらの属性の予測において,深いおよび反復的なニューラルネットワークモデルがいくつかのベースラインよりも有意に優れていることを見出し,最良のベースラインと比較して,属性範囲の平均二乗誤差を44%減少させた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 化学組成 ,  ビール ,  *予測 ,  苦味 ,  最適化 ,  モデリング ,  *学習 ,  機械学習 ,  重力 ,  計算機アーキテクチャ ,  廃棄物 ,  ヒト ,  アルコール ,  ビール醸造 ,  *醸造

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 醸造 ,  処方 ,  化学的性質 ,  予測 ,  深層学習