Physics-informed Neural Network Technique
技術簡介
透過整合理論方程式與實廠數據的建模技術，建置高準確度及具學理基礎的AI預測模型，提供製程模擬、製程參數優化、設計優化之應用，改善製程品質，加速產品開發時程。
技術特色
高準確度的少量資料建模技術
- 透過學理基礎來引導AI模型的訓練，可有效降低資料量，減少數據蒐集的時間與成本，加速模型開發訓練時程與落地部屬之應用。
- 模型預測遵循學理基礎，可應用於無實廠數據訓練資料參數空間之外插預測，可協助探索未知領域參數空間之應用。
高效能的理論方程式求解技術
- 透過類神經網路的高效能平行運算之優勢，可求解高度複雜的理論方程式，加速理論模擬計算，並可快速推論任意參數空間。
- 模型可導入設計變數，協助快速評估多種候選設計方案之模擬。
技術規格
- 自動化理論引導模型訓練
- 理論引導模型之預測應用
- 理論引導模型之最佳化應用
應用範圍
- 可應用於具多安全限制的化工製程參數優化
- 可應用於高複雜的散熱模擬計算
圖1 理論導引類神經網路技術與應用
