이타콘산 생산 시뮬레이션을 위한 모델 보정 딥러닝

본 연구에서는 다양한 교반 속도와 반응기 규모에서 수행된 실제 배치 실험 데이터를 기반으로 이타콘산 (itaconic acid) 생산을 모델링하기 위한 속도론적 파라미터를 추정하기 위해 딥러닝을 적용하였습니다. 두 가지 딥러닝 전략, 즉 직접 딥러닝 (DDL: direct deep learning) 과 생성형 조건부 흐름 매칭 (CFM: generative conditional flow matching) 을 비교하였으며, 이를 비선형 회귀 (nonlinear regression) 를 기준으로 벤치마크로 사용했습니다. DDL 과 비교했을 때 CFM 은 일관되게 더 정확한 결과를 제공하였습니다. CFM 이 예측한 농도 프로파일은 비선형 회귀에서 얻은 결과와 밀접하게 일치하는 반면, DDL 은 더 큰 편차를 보였습니다. 또한 규모 확대 (scale-up) 실험에서도 유사한 행동을 관찰되었으며, 여기서도 CFM 모델은 직접적인 접근법보다 더 나은 일반화 성능과 견고성을 보여주었습니다. 이러한 결과는 CFM 이 다양한 운전 조건과 규모를 걸쳐 시스템 동작을 신뢰성 있게 예측할 수 있음을 보여주며, 동적 생물공정 모델의 파라미터 추정에서 유연하고 데이터 효율적인 프레임워크를 제공함을 시사합니다.