机构名称：
¥ 2.0
理想化的化学植物的第一原理模型可能不准确。一个替代的天然是将机器学习（ML）模型直接适合工厂传感器数据。我们使用一种结构化方法：工厂内的每个单元都由一个ML模型表示。将模型拟合到数据后，将模型连接到类似流面的有向图中。我们发现，对于较小的植物，这种方法效果很好，但是对于较大的植物，流程表中大型和嵌套的循环产生的复杂动力学导致模型初始化期间求解器的不稳定性。我们表明，单单元模型的高精度还不够：梯度可以指向意外的方向，从而防止求解器收敛到正确的固定状态。为了解决这个问题，我们提出了一种微调ML模型的方法，即即使使用非常简单的求解器也变得强大。
一种微调模型诱导稳定固定点的方法
主要关键词
相关文件推荐
