論文の概要: Benchmarking the Performance of Bayesian Optimization across Multiple Experimental Materials Science Domains

• arxiv url: http://arxiv.org/abs/2106.01309v1
• Date: Sun, 23 May 2021 22:04:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 08:51:56.957594
• Title: Benchmarking the Performance of Bayesian Optimization across Multiple Experimental Materials Science Domains
• Title（参考訳）: 複数の実験材料分野におけるベイズ最適化性能のベンチマーク
• Authors: Qiaohao Liang, Aldair E. Gongora, Zekun Ren, Armi Tiihonen, Zhe Liu, Shijing Sun, James R. Deneault, Daniil Bash, Flore Mekki-Berrada, Saif A. Khan, Kedar Hippalgaonkar, Benji Maruyama, Keith A. Brown, John Fisher III, and Tonio Buonassisi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.9478770908139085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of machine learning (ML) for materials optimization, active learning algorithms, such as Bayesian Optimization (BO), have been leveraged for guiding autonomous and high-throughput experimentation systems. However, very few studies have evaluated the efficiency of BO as a general optimization algorithm across a broad range of experimental materials science domains. In this work, we evaluate the performance of BO algorithms with a collection of surrogate model and acquisition function pairs across five diverse experimental materials systems, namely carbon nanotube polymer blends, silver nanoparticles, lead-halide perovskites, as well as additively manufactured polymer structures and shapes. By defining acceleration and enhancement metrics for general materials optimization objectives, we find that for surrogate model selection, Gaussian Process (GP) with anisotropic kernels (automatic relevance detection, ARD) and Random Forests (RF) have comparable performance and both outperform the commonly used GP without ARD. We discuss the implicit distributional assumptions of RF and GP, and the benefits of using GP with anisotropic kernels in detail. We provide practical insights for experimentalists on surrogate model selection of BO during materials optimization campaigns.
• Abstract（参考訳）: 材料最適化のための機械学習(ML)の分野では、ベイズ最適化(BO)のようなアクティブな学習アルゴリズムが、自律的かつ高スループットな実験システムを導くために利用されてきた。 しかし、boの汎用最適化アルゴリズムとしての効率を幅広い実験材料科学領域で評価した研究はごくわずかである。 本研究では, 炭素ナノチューブポリマーブレンド, 銀ナノ粒子, 鉛-ハロゲン化物ペロブスカイト, および添加性高分子構造および形状の5種類の実験材料システムにおいて, サロゲートモデルと獲得関数ペアの集合体を用いてBOアルゴリズムの性能を評価する。 一般的な材料最適化目標に対する加速と拡張の指標を定義することにより、サロゲートモデル選択において、異方性カーネル(オートマチック関連検出、ARD)とランダムフォレスト(RF)は同等の性能を有し、共にARDなしで一般的に使用されるGPより優れていることが分かる。 本稿では、RFおよびGPの暗黙的な分布仮定と、異方性カーネルを用いたGPの利点について論じる。 材料最適化キャンペーンにおけるboのモデル選択に関する実験家への実践的洞察を提供する。

関連論文リスト

• Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
  バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。 我々はこれらの不変カーネルの最大情報ゲインを導出する。 核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
  論文  参考訳（メタデータ） (2024-10-22T12:51:46Z)
• Ranking over Regression for Bayesian Optimization and Molecule Selection [0.0680892187976602]
  本稿ではランキングモデルを用いたランクベースベイズ最適化(RBO)を提案する。 本稿では, 各種化学データセットにおける従来のBOと比較して, RBOの最適化性能について包括的に検討する。 RBOはレグレッションベースのBOに代わる有効な代替品であり、特に新規化合物の最適化に有効である。
  論文  参考訳（メタデータ） (2024-10-11T22:38:14Z)
• PMBO: Enhancing Black-Box Optimization through Multivariate Polynomial Surrogates [0.0]
  我々は、PMBO(Polynomial-based Optimization)と呼ばれるサロゲートベースのブラックボックス最適化手法を導入する。 PMBOの性能を解析的テスト関数の集合に対するいくつかの最適化手法と比較する。 興味深いことに、PMBOは最先端の進化アルゴリズムと互換性がある。
  論文  参考訳（メタデータ） (2024-03-12T10:21:21Z)
• 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)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• A dynamic Bayesian optimized active recommender system for curiosity-driven Human-in-the-loop automated experiments [8.780395483188242]
  ベイズ最適化アクティブレコメンデーションシステム(BOARS)によるループ実験ワークフローにおける新しいタイプの人間の開発について述べる。 この研究は、実験領域にわたるシステムの好奇心駆動的な探索に、人間の強化された機械学習アプローチの有用性を示す。
  論文  参考訳（メタデータ） (2023-04-05T14:54:34Z)
• 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)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• 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。