Optimization & Machine Learning

Our research focuses on developing Prior-Informed Bayesian Optimization (PrBO) methods that incorporate physical and engineering knowledge to enable efficient optimization of complicated chemical processes. Rigorous process simulations are computationally expensive, making repeated optimization both time- and resource-intensive. To address this challenge, we use performance estimates dereived from thermodynamic equilibrium, simplified models, and existing operating data as prior information. This apporach enables promising operating regions to be identified with a limited number of process evaluations, thereby improving the search efficieny and reliability of conventional optimization methods.

Associated member: Haemin Seo

본 연구는 물리적·공학적 사전지식을 베이지안 최적화에 반영하여, 복잡한 화학공정의 최적 운전조건을 더욱 효율적으로 탐색하는 Prior-Informed Bayesian Optimization (PrBO) 방법론을 개발하는 데 초점을 둡니다. 상세 공정 시뮬레이션은 높은 계산비용으로 인해 반복적인 최적화에 많은 계산 자원이 소요되므로, 이를 보완하기 위해 열역학적 평형·모델 단순화·기존 운전 데이터 등으로부터 얻은 성능 정보를 사전정보로 활용합니다. 이를 통해 제한된 공정 평가만으로도 유망한 운전영역을 빠르게 식별하고, 기존 최적화 방법론의 탐색 효율과 신뢰성을 보다 더 향상시킵니다.

참여연구원: 서해민

To Be Updated

PRISM Lab, Department of Chemical Engineering, Soongsil University, Seoul, Korea 06978