論文の概要: Olympus: a benchmarking framework for noisy optimization and experiment planning

• arxiv url: http://arxiv.org/abs/2010.04153v2
• Date: Tue, 30 Mar 2021 14:37:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 11:49:45.237420
• Title: Olympus: a benchmarking framework for noisy optimization and experiment planning
• Title（参考訳）: Olympus: ノイズの多い最適化と実験計画のためのベンチマークフレームワーク
• Authors: Florian H\"ase and Matteo Aldeghi and Riley J. Hickman and Lo\"ic M. Roch and Melodie Christensen and Elena Liles and Jason E. Hein and Al\'an Aspuru-Guzik
• Abstract要約: オフザシェルフ最適化アルゴリズムに基づく実験計画戦略は、完全に自律的な研究プラットフォームに採用することができる。 それらの性能が、ノイズの多い高次元の実験タスクにどのように変換されるかは、不明である。 我々は,最適化アルゴリズムをベンチマークするための一貫した,使いやすいフレームワークを提供するソフトウェアパッケージであるOlympusを紹介した。
• 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: Research challenges encountered across science, engineering, and economics can frequently be formulated as optimization tasks. In chemistry and materials science, recent growth in laboratory digitization and automation has sparked interest in optimization-guided autonomous discovery and closed-loop experimentation. Experiment planning strategies based on off-the-shelf optimization algorithms can be employed in fully autonomous research platforms to achieve desired experimentation goals with the minimum number of trials. However, the experiment planning strategy that is most suitable to a scientific discovery task is a priori unknown while rigorous comparisons of different strategies are highly time and resource demanding. As optimization algorithms are typically benchmarked on low-dimensional synthetic functions, it is unclear how their performance would translate to noisy, higher-dimensional experimental tasks encountered in chemistry and materials science. We introduce Olympus, a software package that provides a consistent and easy-to-use framework for benchmarking optimization algorithms against realistic experiments emulated via probabilistic deep-learning models. Olympus includes a collection of experimentally derived benchmark sets from chemistry and materials science and a suite of experiment planning strategies that can be easily accessed via a user-friendly python interface. Furthermore, Olympus facilitates the integration, testing, and sharing of custom algorithms and user-defined datasets. In brief, Olympus mitigates the barriers associated with benchmarking optimization algorithms on realistic experimental scenarios, promoting data sharing and the creation of a standard framework for evaluating the performance of experiment planning strategies
• Abstract（参考訳）: 科学、工学、経済学にまたがる研究課題はしばしば最適化タスクとして定式化される。 化学と材料科学において、実験室のデジタル化と自動化の最近の成長は、最適化誘導の自律的発見とクローズドループ実験への関心を喚起している。 市販の最適化アルゴリズムに基づく実験計画戦略は、最小限の試行数で望ましい実験目標を達成するために、完全に自律的な研究プラットフォームに採用することができる。 しかしながら、科学的発見タスクに最も適した実験計画戦略は、事前不明であり、異なる戦略の厳密な比較は、非常に時間と資源の要求である。 最適化アルゴリズムは一般に低次元合成関数でベンチマークされるため、その性能が化学や材料科学で遭遇するノイズの多い高次元の実験課題にどのように変換されるかは不明である。 我々は,確率的ディープラーニングモデルを用いてエミュレートされた現実的な実験に対して,最適化アルゴリズムをベンチマークするための一貫した,使いやすいフレームワークを提供するソフトウェアパッケージであるOlympusを紹介する。 Olympusには、化学と材料科学から実験的に派生したベンチマークセットのコレクションと、ユーザフレンドリーなpythonインターフェースを通じて容易にアクセス可能な実験計画戦略のスイートが含まれている。 さらに、olympusはカスタムアルゴリズムとユーザ定義データセットの統合、テスト、共有を促進する。 要約すると、olympusは現実的な実験シナリオにおけるベンチマーク最適化アルゴリズムに関連する障壁を緩和し、データ共有を促進し、実験計画戦略の性能を評価するための標準フレームワークを作成する。

関連論文リスト

• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Optimistic Active Exploration of Dynamical Systems [52.91573056896633]
  我々はOPAXと呼ばれる活発な探索のためのアルゴリズムを開発した。 我々は,OPAXを各エピソードで解決可能な最適制御問題に還元する方法を示す。 実験の結果,OPAXは理論的に健全であるだけでなく,新規な下流タスクのゼロショット計画にも有効であることがわかった。
  論文  参考訳（メタデータ） (2023-06-21T16:26:59Z)
• Active Exploration via Experiment Design in Markov Chains [86.41407938210193]
  科学と工学における重要な課題は、未知の量の興味について学ぶために実験を設計することである。 本稿では,最適値に収束したポリシを効率的に選択するアルゴリズムを提案する。 理論分析に加えて,生態モニタリングと薬理学の応用に関する枠組みを概説する。
  論文  参考訳（メタデータ） (2022-06-29T00:04:40Z)
• Benchmarking Active Learning Strategies for Materials Optimization and Discovery [17.8738267360992]
  本稿では,様々な獲得関数の形で,アクティブな学習戦略をベンチマークするための参照データセットを提案する。 本稿では,アルゴリズムの性能,材料探索空間,複雑さ,事前知識の具体化との関係について論じる。
  論文  参考訳（メタデータ） (2022-04-12T14:27:33Z)
• Bayesian optimization with known experimental and design constraints for chemistry applications [0.0]
  実験計画アルゴリズムであるPhoenicsとGryffinを拡張して、任意の制約を扱えるようにします。 2つのシミュレーション化学研究シナリオでその実用性を解説する。
  論文  参考訳（メタデータ） (2022-03-29T22:16:54Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)
• Golem: An algorithm for robust experiment and process optimization [0.0]
  実験および最適化アルゴリズムの設計は、これらのタスクを効率的に解くためによく用いられる。 Golemは実験計画戦略の選択に最適であるアルゴリズムである。 過去の実験の堅牢性を分析したり、実験計画をオンザフライで堅牢なソリューションに向けて導くために使用できます。
  論文  参考訳（メタデータ） (2021-03-05T15:00:34Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• 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。