Fugu-MT 論文翻訳(概要): Bayesian Screening: Multi-test Bayesian Optimization Applied to in silico Material Screening

論文の概要: Bayesian Screening: Multi-test Bayesian Optimization Applied to in silico Material Screening

arxiv url: http://arxiv.org/abs/2009.05418v1
Date: Fri, 11 Sep 2020 13:07:51 GMT
ステータス: 処理完了
システム内更新日: 2022-10-19 21:05:21.250960
Title: Bayesian Screening: Multi-test Bayesian Optimization Applied to in silico Material Screening
Title（参考訳）: ベイジアンスクリーニング: シリコン材料スクリーニングに応用したマルチテストベイジアン最適化
Authors: James Hook, Calum Hand, Emma Whitfield
Abstract要約: 本稿では,大規模材料検層に適用可能なマルチテストベイズ最適化モデルとアルゴリズムを提案する。私たちのスクリーニング問題は、コストとコストの2つのテストを中心に設計されています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present new multi-test Bayesian optimization models and algorithms for use in large scale material screening applications. Our screening problems are designed around two tests, one expensive and one cheap. This paper differs from other recent work on multi-test Bayesian optimization through use of a flexible model that allows for complex, non-linear relationships between the cheap and expensive test scores. This additional modeling flexibility is essential in the material screening applications which we describe. We demonstrate the power of our new algorithms on a family of synthetic toy problems as well as on real data from two large scale screening studies.
Abstract（参考訳）: 本稿では,大規模材料検層に適用可能なマルチテストベイズ最適化モデルとアルゴリズムを提案する。私たちのスクリーニング問題は2つのテストを中心に設計されています。この論文は、安価で高価なテストスコア間の複雑で非線形な関係を可能にするフレキシブルなモデルを用いて、マルチテストベイズ最適化に関する最近の研究とは異なる。このモデリングの柔軟性は、私たちが記述した材料スクリーニングアプリケーションに不可欠です。我々は,2つの大規模スクリーニング研究から得られた実データだけでなく,合成玩具問題に対する新しいアルゴリズムの効果を実証する。

関連論文リスト

A survey and benchmark of high-dimensional Bayesian optimization of discrete sequences [12.248793682283964]
個々のブラックボックス機能を最適化することは、タンパク質工学や薬物設計など、いくつかの領域において重要である。我々は,高次元ベイズ最適化手法と標準化されたブラックボックス関数の集合を幅広くテストするための統一的なフレームワークを開発する。これらのベンチマークの2つのコンポーネントはそれぞれ、柔軟でスケーラブルで容易に拡張可能なソフトウェアライブラリによってサポートされています。
論文参考訳（メタデータ） (2024-06-07T08:39:40Z)
Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文参考訳（メタデータ） (2022-10-23T16:15:36Z)
A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文参考訳（メタデータ） (2022-10-19T19:04:45Z)
HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文参考訳（メタデータ） (2022-06-15T19:10:35Z)
Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
本論文はアライメント正則化の選択肢の増大を動機としている。我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
論文参考訳（メタデータ） (2022-06-04T04:29:19Z)
Leveraging Trust for Joint Multi-Objective and Multi-Fidelity Optimization [0.0]
本稿では,ベイズ的多目的・多忠実度最適化(MOMF)に対する新しいアプローチについて検討する。複数目的とデータソースの同時最適化を支援するために,信頼度基準の革新的利用を提案する。本手法はプラズマ物理学や流体力学などの分野におけるシミュレーション問題の解法に適用可能である。
論文参考訳（メタデータ） (2021-12-27T20:55:26Z)
Integrating Material Selection with Design Optimization via Neural Networks [6.114822256728633]
本稿では,変分オートエンコーダ(VAE)を同時最適化に用いることを提案する。提案するフレームワークはトラスを用いて実証され,データベースから最適な素材を選択する必要がある。いくつかの数値的な例は、提案フレームワークの有効性を示している。
論文参考訳（メタデータ） (2021-12-23T14:28:49Z)
Multi-objective simulation optimization of the adhesive bonding process of materials [50.591267188664666]
このような接着プロセスの最適プロセスパラメータを見つけることは困難である。本研究では,ガウス過程回帰とロジスティック回帰を用いてベイズ最適化を行った。
論文参考訳（メタデータ） (2021-12-09T09:58:58Z)
Bayesian Optimization in Materials Science: A Survey [4.037250810373225]
材料科学におけるベイズ最適化のアプローチについて調査する。両者の間にはほとんど重複はない。共同研究における共通の課題と機会を強調します。
論文参考訳（メタデータ） (2021-07-29T18:45:10Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space Entropy Search Approach [44.25245545568633]
複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
論文参考訳（メタデータ） (2020-11-02T06:59:04Z)

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。