che.utexas.edu

이 이메일 도메인이 관측된 논문 2건

arXiv:2610.02014v1cs.AI

원자에서 공정까지: 화학공학에서 인공지능과 머신러닝의 역할

Atoms to Processes: The Role of Artificial Intelligence and Machine Learning in Chemical Engineering

인공지능(AI)과 머신러닝(ML)의 급격한 성숙은 화학공학 문제를 정식화하고 분석하며 해결하는 방식에 중대한 변화를 촉진했습니다. 컴퓨팅 파워, 데이터 가용성, 학습 알고리즘의 발전 덕분에 AI/ML 방법론은 원자 수준의 시뮬레이션, 소재 및 촉매 발견, 전달 현상과 열역학, 분리 공정, 공정 시스템 공학, 산업 운영에 이르는 다양한 응용 분야에 영향을 미칠 수 있게 되었습니다. 본 논문은 최근의 방법론적 발전과 대표적인 응용 사례에 대한 관점을 제시하며, 예측 정확도, 데이터 희소성, 외삽(extrapolation), 해석 가능성, 모델 수명 주기 관리와 같은 문제를 해결하기 위해 AI/ML 도구가 제1원리(first-principles) 모델과 어떻게 통합되고 있는지를 강조합니다. 여러 영역에 걸쳐 나타나는 공통적인 추세는 순수한 블랙박스 접근법에서 벗어나 보존 법칙, 열역학적 일관성, 기지의 구조적 제약 조건을 명시적으로 준수하는 하이브리드 및 물리 기반(physics-informed) 프레임워크로 전환되고 있다는 점입니다. 이러한 접근 방식은 견고성과 신뢰성을 향상시킬 뿐만 아니라, 주어진 과제와 의사결정 맥락에 적합한 추상화 수준의 정보를 제공함으로써 유의미한 인간-AI 협업을 가능하게 합니다. 우리는 AI와 ML이 화학공학의 핵심 원리를 대체하는 것이 아니라 오히려 이를 증폭시키고 있다고 결론짓습니다. 화학공학 분야가 점점 더 자율적이고 적응형이며 지속 가능한 시스템으로 발전함에 따라, 제1원리 기반의 이해 및 도메인 전문성과 AI/ML의 사려 깊은 통합은 연구와 산업 현장 전반에서 그 잠재력을 온전히 실현하는 데 필수적일 것입니다.

arXiv:2608.03045v1cs.LG

다중 스케일 그레이박스 베이지안 최적화에서 분리 가능성 활용

Exploiting Separability in Multi-Scale Grey-Box Bayesian Optimization

본 논문에서는 결정 변수가 고비용 블랙박스 함수의 인자로 사용되는 블랙박스 변수와, 해당 블랙박스 함수의 출력에도 의존하는 명시적 닫힌 형태 방정식 집합으로 제어되는 화이트박스 변수로 자연스럽게 분할되는 그레이박스 최적화 문제를 고려합니다. 저자들은 이중 레벨(bilevel) 재구성을 통해 이러한 분리 가능성을 활용합니다. 즉, 외부 베이지안 최적화(BO)는 블랙박스 변수만의 함수로서 스칼라 목적 함수를 최적화하는 한편, 내부 문제에서는 전역 최적화를 통해 화이트박스 하위 문제를 해결합니다. 따라서 BO에 사용되는 가우시안 프로세스(GP) 대리 모델은 대신 에 대해 정의되며, 내부 옵티마이저가 실행 가능한 점으로 수렴할 때마다 페널티 함수, 기회 제약(chance constraints), 또는 모멘트 근사 없이 화이트박스 제약 조건이 정확하게 만족됩니다. 13개의 벤치마크 문제 집합에서, 이중 레벨 BO는 더 적은 반복 횟수와 더 짧은 실시간(wall clock time)으로 더 낮은 후회(regret)를 달성합니다. 이러한 이점은 초기화 세트 크기, 탐험 파라미터, 내부 솔버 선택에 대해 강건하게 유지됩니다.