Physics-Informed Federated Learning for Decentralized Pharmaceutical Crystallization: Achieving Personalized Predictive Accuracy with Minimal Data
Diese Studie stellt ein Physics-Informed Federated Learning (F-PINN)-Framework vor, das Populationsbilanzgleichungen in einen dezentralen Trainingsprozess integriert, um hochgenaue, personalisierte Vorhersagen der pharmazeutischen Kristallisationsdynamik über mehrere Standorte hinweg zu erreichen, während gleichzeitig die Datensicherheit gewahrt und die Robustheit gegenüber Datenknappheit und Rauschen sichergestellt wird.