確率的設計空間特性化へのBayesアプローチ:入れ子サンプリング戦略【JST・京大機械翻訳】

Kusumo Kennedy P.; Gomoescu Lucian; Paulen Radoslav; Munoz Salvador Garcia; Pantelides Constantinos C.; Shah Nilay; Chachuat Benoit

プレプリント

J-GLOBAL ID：202202203775079498 整理番号：22P0181303

確率的設計空間特性化へのBayesアプローチ:入れ子サンプリング戦略【JST・京大機械翻訳】

Bayesian Approach to Probabilistic Design Space Characterization: A Nested Sampling Strategy

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年08月13日プレプリントサーバーでの情報更新日： 2020年08月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

医薬品製造における設計による品質は,設計空間の正確な定量的予測が可能な計算法とツールに関するものである。本論文では,空間キャラクタリゼーションを設計するためのBayes手法を検討し,それにより,実践者による信頼性およびリスクの尺度として使用できる可能性確率を決定した。Bayes証拠を計算するため導入した,入れ子サンプリング---aモンテカルロ手法の適応を示した。入れ子サンプリングアルゴリズムは,希望する信頼性レベルに達するまで,確率実現可能性が増加する領域を通して,与えられた一連の生点を維持する。さらに,検索中の置換提案を生成するためにBayes統計から効率的な戦略を利用する。このアルゴリズムの特徴と利点を簡単な数値例と2つの産業事例研究によって実証した。ネストサンプリングは従来のモンテカルロサンプリングよりも性能が優れており,低次元設計空間問題における柔軟性ベース最適化技術と競合できることを示した。機械学習技術を用いて実現可能性確率マップを再構成するためのサンプリング設計空間を利用する実用的側面も論じ,例証した。最後に,複雑な動的モデルと重要なモデル不確実性の存在下で,高次元問題でネストサンプリングの有効性を実証した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る