贝叶斯预测物理模型并应用于利用化学动力学优化制药产品合成
摘要：工业过程中的质量控制越来越多地利用先前的科学知识，这些知识通常以需要数值逼近的物理模型进行编码。统计预测和随后的优化对确保过程输出达到规定目标至关重要。然而，逼近模型的数值开销给确定过程因素组合中响应质量有把握的计算带来了挑战。近年来，贝叶斯计算和统计逼近（模拟）昂贵计算模型的最新研究成果被用来开发一种优化过程达到规定概率的新策略。随后的方法在化学合成过程中得到了证明。该化学过程用于制造一种药物产品，其中一组初始物质基于化学反应在特定过程条件下演化为一系列新物质。其中一种物质是目标药物产品，另外两种是不需要的副产品。目标是确定过程条件和初始物质的组合，以使获得足够的目标药物产品的概率最大化，同时确保不需要的副产品不超过给定级别。感兴趣因素和物质数量之间的关系在理论上由包括温度依赖性的一套常微分方程的解描述。使用来自一个小型实验的数据，演示了该方法如何逼近药物目标和副产品的多元后验预测分布，并因此确定合适的操作值。有关复制该分析的材料可以在www.github.com/amo105/chemicalkinetics找到。
作者：Antony Overstall, David Woods, Kieran Martin
论文ID：1602.01347
分类：Other Statistics
分类简称：stat.OT
提交时间：2018-10-23