Trouver une hypothèse raisonnable peut poser un défi lorsqu'il existe des milliers de possibilités. C'est pourquoi le Dr Joseph Sang-II Kwon essaie de faire des hypothèses de manière généralisable et systématique.
Kwon, professeur agrégé du Département de génie chimique d'Artie McFerrin à la Texas A&M University, a publié son travail sur le mélange de modèles scientifiques traditionnels basés sur la physique avec des données expérimentales pour prédire avec précision les hypothèses dans la revue dans la revue Génie chimique de la nature.
Les recherches de Kwon s'étendent au-delà du domaine du génie chimique traditionnel. En connectant les lois physiques à l'apprentissage automatique, son travail pourrait avoir un impact sur les énergies renouvelables, la fabrication intelligente et les soins de santé, décrits dans son récent article, « ajoutant des Big Data à l'équation ».
La dérivation d'hypothèses pour les observations expérimentales implique généralement un processus d'essai et d'erreur. Kwon a développé un cadre systématique qui intègre des connaissances spécialisées avec des données expérimentales pour créer un processus plus efficace.
« L'aspect le plus percutant de cette recherche est sa capacité à combler l'écart entre les modèles théoriques et la complexité du monde réel, créant un cadre polyvalent pour résoudre des problèmes complexes », a déclaré Kwon. « Cette polyvalence signifie que les avantages potentiels pourraient atteindre un large éventail d'industries et avoir un impact significatif sur la vie quotidienne. »
Cette recherche pourrait conduire à une nouvelle découverte de médicaments en incorporant des données expérimentales dans ces modèles, a déclaré Kwon. Cette approche de modélisation hybride intègre les connaissances biologiques aux données pour accélérer les prédictions des médicaments.
« Le développement de nouveaux médicaments coûte cher et prend du temps », a déclaré Kwon. « Mais avec des modèles plus avancés, nous pouvons accélérer les processus de découverte et de fabrication. Tirant des simulations et l'apprentissage automatique réduit le besoin d'expériences de laboratoire coûteuses, gagnant du temps et accélérant la découverte de nouveaux traitements. »
Son approche combine des modèles basés sur la physique avec la flexibilité des composants basés sur les données qui peuvent adapter et corriger les prédictions basées sur des données expérimentales du monde réel.
Kwon prévoit d'utiliser ces modèles comme une colonne vertébrale pour simuler des systèmes complexes et capturer des phénomènes physiques sous-jacents que les modèles traditionnels basés sur la physique ne peuvent pas capturer seuls.
« Cette méthodologie nous permet d'estimer en continu les paramètres de processus aux côtés des hyperparamètres du composant basé sur les données », a déclaré Kwon. « Ce faisant, nous nous assurons que les modèles sont applicables à un plus large éventail de conditions, ce qui les rend plus polyvalents et mieux adaptés pour gérer les scénarios nouveaux et variés. »
« Les modèles purement axés sur les données échouent lorsqu'il s'agit de capturer les subtilités de ces systèmes », a déclaré Kwon. « En mélangeant les deux approches, nous pouvons améliorer l'efficacité et la fiabilité des processus industriels qui sont essentiels à la production d'essentiels quotidiens tels que l'énergie, les produits chimiques et les produits pharmaceutiques. »
