論文の概要: Golem: An algorithm for robust experiment and process optimization
- arxiv url: http://arxiv.org/abs/2103.03716v1
- Date: Fri, 5 Mar 2021 15:00:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-09 08:12:19.973665
- Title: Golem: An algorithm for robust experiment and process optimization
- Title（参考訳）: Golem: 堅牢な実験とプロセス最適化のためのアルゴリズム
- Authors: Matteo Aldeghi, Florian H\"ase, Riley J. Hickman, Isaac Tamblyn,
Al\'an Aspuru-Guzik
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerous challenges in science and engineering can be framed as optimization
tasks, including the maximization of reaction yields, the optimization of
molecular and materials properties, and the fine-tuning of automated hardware
protocols. Design of experiment and optimization algorithms are often adopted
to solve these tasks efficiently. Increasingly, these experiment planning
strategies are coupled with automated hardware to enable autonomous
experimental platforms. The vast majority of the strategies used, however, do
not consider robustness against the variability of experiment and process
conditions. In fact, it is generally assumed that these parameters are exact
and reproducible. Yet some experiments may have considerable noise associated
with some of their conditions, and process parameters optimized under precise
control may be applied in the future under variable operating conditions. In
either scenario, the optimal solutions found might not be robust against input
variability, affecting the reproducibility of results and returning suboptimal
performance in practice. Here, we introduce Golem, an algorithm that is
agnostic to the choice of experiment planning strategy and that enables robust
experiment and process optimization. Golem identifies optimal solutions that
are robust to input uncertainty, thus ensuring the reproducible performance of
optimized experimental protocols and processes. It can be used to analyze the
robustness of past experiments, or to guide experiment planning algorithms
toward robust solutions on the fly. We assess the performance and domain of
applicability of Golem through extensive benchmark studies and demonstrate its
practical relevance by optimizing an analytical chemistry protocol under the
presence of significant noise in its experimental conditions.
- Abstract（参考訳）: 科学と工学における多くの課題は、反応収率の最大化、分子および材料特性の最適化、自動ハードウェアプロトコルの微調整など、最適化タスクとして表すことができる。
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。
これらの実験計画戦略は、自律的な実験プラットフォームを実現するために、自動ハードウェアと結合される。
しかし、使用される戦略の大部分は実験条件やプロセス条件の変動に対する堅牢性を考慮していない。
実際、これらのパラメータは正確かつ再現可能であると一般に仮定される。
しかし、いくつかの実験では、いくつかの条件に関連したかなりのノイズがあり、正確な制御の下で最適化されたプロセスパラメータは、将来、変動操作条件下で適用される可能性がある。
いずれのシナリオにおいても、最適なソリューションは入力の可変性に対して堅牢ではなく、結果の再現性に影響を与え、実用上最適なパフォーマンスを返します。
本稿では,実験計画戦略の選択に非依存なアルゴリズムであるGolemを紹介し,ロバストな実験とプロセス最適化を実現する。
Golemは、入力の不確実性に強い最適なソリューションを特定し、最適化された実験プロトコルとプロセスの再現性を確保します。
過去の実験の堅牢性を分析したり、実験計画アルゴリズムをオンザフライで堅牢なソリューションに導くために使用できます。
広範ベンチマークによるGolemの性能と適用範囲の評価を行い,実験条件下での有意雑音の存在下で分析化学プロトコルを最適化することにより,その実用的妥当性を実証する。
関連論文リスト
- Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - 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) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - 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) - Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding [48.7576911714538]
接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
論文 参考訳（メタデータ） (2021-12-16T10:14:39Z) - Olympus: a benchmarking framework for noisy optimization and experiment
planning [0.0]
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。
論文 参考訳（メタデータ） (2020-10-08T17:51:51Z) - Reactive Sample Size for Heuristic Search in Simulation-based
Optimization [2.9005223064604073]
本稿では,パラメトリックテストとインディファレンスゾーン選択に基づく新しい反応性サンプルサイズアルゴリズムを提案する。
テストでは、人工的なノイズレベルが拡張されたベンチマーク機能と、ホテルの収益管理のためのシミュレーションベースの最適化ツールが採用されている。
論文 参考訳（メタデータ） (2020-05-25T14:38:55Z) - Using models to improve optimizers for variational quantum algorithms [1.7475326826331605]
変分量子アルゴリズムは、ノイズの多い中間スケール量子コンピュータの初期応用の第一候補である。
これらのアルゴリズムは、パラメータ化量子回路の機能を最小化する古典的な最適化外ループに依存している。
本稿では,2つの最適化手法を導入し,その性能を今日の一般的な手法と数値的に比較する。
論文 参考訳（メタデータ） (2020-05-22T05:23:23Z) - 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。