論文の概要: Gemini: Dynamic Bias Correction for Autonomous Experimentation and Molecular Simulation

• arxiv url: http://arxiv.org/abs/2103.03391v1
• Date: Fri, 5 Mar 2021 00:11:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 15:01:23.739760
• Title: Gemini: Dynamic Bias Correction for Autonomous Experimentation and Molecular Simulation
• Title（参考訳）: Gemini: 自律実験と分子シミュレーションのための動的バイアス補正
• Authors: Riley J. Hickman, Florian H\"ase, Lo\"ic M. Roch, Al\'an Aspuru-Guzik
• Abstract要約: 安価な測定を高価な測定のプロキシとして使用できるデータ駆動モデルであるGeminiを紹介します。 目的の過剰電位を達成するために必要な高価な貴金属と希少金属からなる組成空間の測定数は、より安価な金属を用いたプロキシ組成システムによる測定により大幅に減少する。
• 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: Bayesian optimization has emerged as a powerful strategy to accelerate scientific discovery by means of autonomous experimentation. However, expensive measurements are required to accurately estimate materials properties, and can quickly become a hindrance to exhaustive materials discovery campaigns. Here, we introduce Gemini: a data-driven model capable of using inexpensive measurements as proxies for expensive measurements by correcting systematic biases between property evaluation methods. We recommend using Gemini for regression tasks with sparse data and in an autonomous workflow setting where its predictions of expensive to evaluate objectives can be used to construct a more informative acquisition function, thus reducing the number of expensive evaluations an optimizer needs to achieve desired target values. In a regression setting, we showcase the ability of our method to make accurate predictions of DFT calculated bandgaps of hybrid organic-inorganic perovskite materials. We further demonstrate the benefits that Gemini provides to autonomous workflows by augmenting the Bayesian optimizer Phoenics to yeild a scalable optimization framework leveraging multiple sources of measurement. Finally, we simulate an autonomous materials discovery platform for optimizing the activity of electrocatalysts for the oxygen evolution reaction. Realizing autonomous workflows with Gemini, we show that the number of measurements of a composition space comprising expensive and rare metals needed to achieve a target overpotential is significantly reduced when measurements from a proxy composition system with less expensive metals are available.
• Abstract（参考訳）: ベイズ最適化は、自律実験によって科学的発見を加速する強力な戦略として登場した。 しかし, 材料特性を正確に推定するには高価な測定が必要であり, 物質発見キャンペーンの妨げになる可能性がある。 本稿では,不動産評価手法間の系統的バイアスを補正することにより,安価な測定値を高価な測定指標のプロキシとして使用できるデータ駆動モデルであるgeminiを紹介する。 我々は,目標評価に費用がかかるという予測を,より有益な獲得関数の構築に利用し,最適化者が目標値を達成するために必要なコスト評価を削減できる自律ワークフロー設定において,データ不足の回帰タスクにgeminiを使用することを推奨する。 本稿では, 有機-無機ペロブスカイト系ハイブリッド材料のDFT計算バンドギャップの正確な予測を行う手法について述べる。 我々はさらに,ベイズ最適化のPhoenicsを拡張して,複数の測定ソースを活用するスケーラブルな最適化フレームワークを実現することで,自律ワークフローにGeminiがもたらすメリットを実証する。 最後に、酸素進化反応のための電気触媒の活性を最適化する自律的材料発見プラットフォームをシミュレートする。 Geminiによる自律的なワークフローの実現により,低金属のプロキシ合成システムから測定を行う場合,目標超越を実現するのに必要な高価な金属と希少金属からなる組成空間の計測回数が大幅に減少することを示した。

関連論文リスト

• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• AutoScale: Automatic Prediction of Compute-optimal Data Composition for Training LLMs [61.13296177652599]
  本稿では,異なる領域からのトレーニングデータの最適構成がスケール依存であることを示す。 我々は、潜在的に大規模なトレーニングデータスケールでデータ合成を最適化するための、新しい実用的なアプローチである*AutoScale*を紹介します。 GPT-2Large and BERT pre-training の評価は,トレーニング収束性および下流性能向上における *AutoScale* の有効性を示す。
  論文  参考訳（メタデータ） (2024-07-29T17:06:30Z)
• Simulation-Enhanced Data Augmentation for Machine Learning Pathloss Prediction [9.664420734674088]
  本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。 本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。 合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-02-03T00:38:08Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation [1.6685829157403116]
  本稿では,訓練,自己最適化,自己組織的代理モデルのための方法論的枠組みを提案する。 シュロゲートモデルを比較的少量のデータで訓練し、基礎となるシミュレーションを正確に近似できることを示す。
  論文  参考訳（メタデータ） (2023-09-22T20:52:50Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Variational Factorization Machines for Preference Elicitation in Large-Scale Recommender Systems [17.050774091903552]
  本稿では, 標準のミニバッチ降下勾配を用いて容易に最適化できる因子化機械 (FM) の変分定式化を提案する。 提案アルゴリズムは,ユーザおよび項目パラメータに近似した後続分布を学習し,予測に対する信頼区間を導出する。 いくつかのデータセットを用いて、予測精度の点で既存の手法と同等または優れた性能を示す。
  論文  参考訳（メタデータ） (2022-12-20T00:06:28Z)
• Model Calibration of the Liquid Mercury Spallation Target using Evolutionary Neural Networks and Sparse Polynomial Expansions [4.3634848427203945]
  本稿では,進化的ニューラルネットワークとスパース展開を用いた高価なシミュレーションの代理モデルキャリブレーションの2つの手法を提案する。 提案したシミュレーションは, 水銀の寿命と完全性を推定するために, 疲労解析に大いに役立てることができる。 しかし、この研究の重要な結論は、スペール化反応の完全な物理を捉える際の状態方程式に基づく現在のモデルに欠けていることを指摘している。
  論文  参考訳（メタデータ） (2022-02-18T18:47:10Z)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• Towards fast machine-learning-assisted Bayesian posterior inference of realistic microseismic events [0.0]
  記録された圧力波のパワースペクトルに基づいて機械学習アルゴリズムを訓練する。 当社のアプローチは計算コストが低く,商用ラップトップ上で1時間以内で実行可能であることが分かりました。
  論文  参考訳（メタデータ） (2021-01-12T19:51:32Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。