論文の概要: Gryffin: An algorithm for Bayesian optimization of categorical variables
informed by expert knowledge
- arxiv url: http://arxiv.org/abs/2003.12127v2
- Date: Fri, 28 May 2021 22:47:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 21:32:09.377498
- Title: Gryffin: An algorithm for Bayesian optimization of categorical variables
informed by expert knowledge
- Title(参考訳): gryffin:専門家知識によるカテゴリー変数のベイズ最適化アルゴリズム
- Authors: Florian H\"ase, Matteo Aldeghi, Riley J. Hickman, Lo\"ic M. Roch,
Al\'an Aspuru-Guzik
- Abstract要約: Gryffinは、専門家の知識によって駆動される分類変数の自律的な選択のためのフレームワークである。
物理化学記述子の形でドメイン知識を活用することで、グリフィンは有望な分子や物質の探索を著しく加速させることができる。
我々の結果は、Gryffinが最も単純な形式で、最先端のカテゴリー最適化アルゴリズムと競合していることを示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing functional molecules and advanced materials requires complex design
choices: tuning continuous process parameters such as temperatures or flow
rates, while simultaneously selecting catalysts or solvents. To date, the
development of data-driven experiment planning strategies for autonomous
experimentation has largely focused on continuous process parameters despite
the urge to devise efficient strategies for the selection of categorical
variables. Here, we introduce Gryffin, a general purpose optimization framework
for the autonomous selection of categorical variables driven by expert
knowledge. Gryffin augments Bayesian optimization based on kernel density
estimation with smooth approximations to categorical distributions. Leveraging
domain knowledge in the form of physicochemical descriptors, Gryffin can
significantly accelerate the search for promising molecules and materials.
Gryffin can further highlight relevant correlations between the provided
descriptors to inspire physical insights and foster scientific intuition. In
addition to comprehensive benchmarks, we demonstrate the capabilities and
performance of Gryffin on three examples in materials science and chemistry:
(i) the discovery of non-fullerene acceptors for organic solar cells, (ii) the
design of hybrid organic-inorganic perovskites for light harvesting, and (iii)
the identification of ligands and process parameters for Suzuki-Miyaura
reactions. Our results suggest that Gryffin, in its simplest form, is
competitive with state-of-the-art categorical optimization algorithms. However,
when leveraging domain knowledge provided via descriptors, Gryffin outperforms
other approaches while simultaneously refining this domain knowledge to promote
scientific understanding.
- Abstract(参考訳): 機能分子や高度な材料の設計には、温度や流量などの連続的なプロセスパラメータを調整し、触媒や溶媒を同時に選択する、複雑な設計選択が必要である。
これまで、自律実験のためのデータ駆動実験計画戦略の開発は、カテゴリー変数の選択のための効率的な戦略を考案したいという衝動にもかかわらず、継続的なプロセスパラメータに重点を置いてきた。
本稿では,専門家知識によるカテゴリー変数の自律的選択のための汎用最適化フレームワークであるgryffinを紹介する。
Gryffinは、分類分布に対する滑らかな近似によるカーネル密度推定に基づくベイズ最適化を強化する。
物理化学的記述の形でドメイン知識を活用することで、グリフィンは有望な分子や物質の探索を著しく加速させることができる。
gryffinは、物理的洞察を刺激し、科学的直観を育むために提供される記述子間の関連関係をさらに強調することができる。
包括的なベンチマークに加えて,材料科学と化学の3つの例について,gryffinの能力と性能を実証する。
(i)有機太陽電池用非フルレレンアクセプターの発見
(二)光収穫のための有機-無機ハイブリッドペロブスカイトの設計、及び
(iii)鈴木-宮浦反応における配位子と過程パラメータの同定
以上の結果から,最も単純な形式であるグリフィンは,最先端の分類最適化アルゴリズムと競合関係にあることが示唆された。
しかしながら、記述子を介して提供されるドメイン知識を活用する場合、Gryffinは他のアプローチよりも優れ、同時にこのドメイン知識を洗練して科学的理解を促進する。
関連論文リスト
- Domain Knowledge Injection in Bayesian Search for New Materials [0.0]
探索空間における探索を調整するためのドメイン知識に対応するベイズ最適化(BO)アルゴリズムであるDKIBOを提案する。
材料設計タスクにおいて,ドメイン知識をうまく注入することで,提案手法の実用性を実証的に実証する。
論文 参考訳(メタデータ) (2023-11-26T01:55:55Z) - Branches of a Tree: Taking Derivatives of Programs with Discrete and
Branching Randomness in High Energy Physics [1.0587959762260988]
我々は、最近のAD法を含むいくつかの勾配推定戦略について論じ、それらを簡易な検出器設計実験で比較した。
そうすることで私たちは、私たちの知る限り、最初の完全に差別化可能な分岐プログラムを開発します。
論文 参考訳(メタデータ) (2023-08-31T12:32:34Z) - GloptiNets: Scalable Non-Convex Optimization with Certificates [61.50835040805378]
本稿では,ハイパーキューブやトーラス上のスムーズな関数を扱う証明書を用いた非キューブ最適化手法を提案する。
スペクトルの減衰に固有の対象関数の正則性を活用することにより、正確な証明を取得し、高度で強力なニューラルネットワークを活用することができる。
論文 参考訳(メタデータ) (2023-06-26T09:42:59Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳(メタデータ) (2021-11-29T15:10:09Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。
実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
論文 参考訳(メタデータ) (2021-09-22T01:16:22Z) - Benchmarking the Performance of Bayesian Optimization across Multiple
Experimental Materials Science Domains [3.9478770908139085]
BOの効率を幅広い実験材料科学領域にわたる汎用最適化アルゴリズムとして評価する。
代用モデル選択において、異方性カーネルを持つガウス過程 (GP) とランダムフォレスト (RF) は同等の性能を示し、いずれもARDなしでよく使われるGPより優れていた。
論文 参考訳(メタデータ) (2021-05-23T22:04:07Z) - Beer Organoleptic Optimisation: Utilising Swarm Intelligence and
Evolutionary Computation Methods [2.8010955192967852]
本稿では、製造工程が柔軟であるクラフトビールの特定の場合におけるビール特性の計算について述べる。
我々は、3つのSwarmインテリジェンスと進化的手法を用いて、醸造者が物理化学的性質をマッピングし、有機懐疑的な性質をターゲットとして特定の醸造を設計することができるようにします。
提案手法は、新しいレシピの発見、パーソナライゼーション、および既存のレシピの代替的な高忠実度再生を可能にする。
論文 参考訳(メタデータ) (2020-04-07T14:39:11Z) - Incorporating Expert Prior Knowledge into Experimental Design via
Posterior Sampling [58.56638141701966]
実験者は、グローバルな最適な場所に関する知識を得ることができる。
グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。
効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
論文 参考訳(メタデータ) (2020-02-26T01:57:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。