Integrating knowledge-guided symbolic regression and model-based design of experiments to automate process flow diagram development

为了在全球配方产品市场上获得成功，新产品必须快速制定；然而，关键产品指标（KPI）可能是化学组成和加工历史的复杂、难以理解的函数。因此，目前必须进行昂贵的试错活动来扩大规模。为了加速流程图（PFD）优化和知识发现，本研究提出了一种新颖的数字框架，将符号回归（SR）与基于模型的实验设计（MBDoE）相结合，自动量化过程机制。每次迭代，SR提出了可解释的机械表达式的Pareto前沿，然后MBDoE设计了一个新的实验来区分它们，同时平衡PFD优化。为了研究框架的性能，构建了一个新的过程模型，能够模拟一般配方产品合成，为不同案例研究生成了体外数据。该框架可以在几次迭代内有效地发现真实的过程机制，表明它在一般化学工业中具有数字制造和产品创新的巨大潜力。

如何在全球配方产品市场上快速制定新产品？如何加速流程图优化和知识发现？当前的试错方法成本昂贵。

提出了一种新的数字框架，将符号回归（SR）与基于模型的设计实验（MBDoE）相结合，自动量化过程机制，加速PFD优化和知识发现，以实现数字制造和产品创新。

该框架可以有效地发现真实的过程机制，为数字制造和产品创新提供了巨大潜力。

最近的相关研究包括：1.基于机器学习的化学合成路线设计；2.基于元学习的化学反应优化；3.基于数据驱动的化学过程建模。