PulseAugur
中
实时 10:58:44
English(EN) DASyR-LLM: Domain-Aware Symbolic Regression with LLMs for Kinetic Model Discovery

LLM加速化学工程中的动力学模型发现

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了DASyR-LLM，一个将大型语言模型（LLM）与符号回归相结合的新颖框架，以加速化学工程中的动力学模型发现。这种LLM指导的方法将领域知识注入符号回归过程，从而能够更有效地识别准确的速率表达式。在各种案例研究中的评估表明，与现有方法相比，DASyR-LLM显著减少了寻找真实模型所需的迭代次数，同时保持了预测性能。 AI

影响 该框架可以通过自动化动力学模型生成，显著减少科学发现中的实验工作量。

排序理由 该集群包含一篇详细介绍科学模型发现新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM加速化学工程中的动力学模型发现

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Roberto Aliaga Medina, Paulina Quintanilla, Antonio del Rio Chanona ·

    DASyR-LLM: Domain-Aware Symbolic Regression with LLMs for Kinetic Model Discovery

    arXiv:2608.05120v1 Announce Type: new Abstract: Kinetic model discovery is a central challenge in chemical engineering, as accurate rate expressions are essential for understanding and controlling chemical and biological processes. Symbolic regression (SR) has emerged as a powerf…

相关实体

相关话题