Quantum enhanced ensemble GANs for anomaly detection in continuous biomanufacturing
Rajiv Kailasanathan, William R. Clements, Mohammad Reza Boskabadi, Shawn M. Gibford, Emmanouil Papadakis, Christopher J. Savoie, Seyed Soheil Mansouri
连续生物制造工艺的开发需要稳健且早期的异常检测，因为即使是微小的偏差也可能影响产量和稳定性，导致调度中断、周产量降低和经济性能下降。这些工艺本质上具有复杂性，并展现出过程变量之间复杂关系的非线性动力学特性，因此先进的异常检测方法对于高效运行至关重要。在这项工作中，我们提出了一种基于生成对抗网络(GANs)集成的新型框架，用于连续生物制造中的无监督异常检测。我们首先建立了一个基准数据集，模拟小分子生产连续过程中的正常和异常操作状态。然后我们证明了基于GAN的框架在检测由突然原料变异性引起的异常方面的有效性。最后，我们评估了使用混合量子/经典GAN方法（包括模拟量子电路和真实光子量子处理器）对异常检测性能的影响。我们发现混合方法能够提高异常检测率。我们的工作展示了混合量子/经典方法在解决复杂连续生物制造过程中实际问题的潜力。
The development of continuous biomanufacturing processes requires robust and early anomaly detection, since even minor deviations can compromise yield and stability, leading to disruptions in scheduling, reduced weekly production, and diminished economic performance. These processes are inherently complex and exhibit non-linear dynamics with intricate relationships between process variables, thus making advanced methods for anomaly detection essential for efficient operation. In this work, we pr...
