동적 모델링을 위한 확률적 신경망에 선형 등식 제약 조건 내재화
Embedding Linear Equality Constraints in Probabilistic Neural Networks for Dynamic Modelling
기계학습 모델은 화학 공정 시스템 모델링에 점점 더 많이 사용되고 있지만, 원칙적인 불확실성 정량화와 물리적 제약을 강제하는 메커니즘이 종종 부족하다. 우리는 주어진 허용 오차 내에서 선형 등식 제약 조건의 만족을 보장하면서 우연적 불확실성(aleatoric uncertainty)을 포착하는 확률적 신경망 프레임워크를 제안한다. 최신(state-of-the-art) 방법들과 비교할 때, 우리의 공식화는 축소된 데이터에서 예측 정확도, 불확실성 보정, 제약 준수 측면에서 개선된 성능을 보여준다. 또한 대규모 데이터 체제에서 평가할 때 경쟁력 있는 성능을 보이면서 학습 시간이 훨씬 더 빠르다. 우리는 이를 두 건의 배치 리액터 사례 연구에서 질량 수지를 강제하는 조건 하에 평가했다.