論文の概要: An Efficient Batch Constrained Bayesian Optimization Approach for Analog
Circuit Synthesis via Multi-objective Acquisition Ensemble
- arxiv url: http://arxiv.org/abs/2106.15412v1
- Date: Mon, 28 Jun 2021 13:21:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 15:14:39.431970
- Title: An Efficient Batch Constrained Bayesian Optimization Approach for Analog
Circuit Synthesis via Multi-objective Acquisition Ensemble
- Title（参考訳）: 多目的獲得アンサンブルによるアナログ回路合成のための効率的なバッチ制約ベイズ最適化手法
- Authors: Shuhan Zhang, Fan Yang, Changhao Yan, Dian Zhou, Xuan Zeng
- Abstract要約: MACE(Multi-objective Acquisition Function Ensemble)を用いた並列化可能なベイズ最適化アルゴリズムを提案する。
提案アルゴリズムは,バッチサイズが15のときの非制約最適化問題に対する微分進化(DE)と比較して,シミュレーション全体の時間を最大74倍削減することができる。
制約付き最適化問題に対して,提案アルゴリズムは,バッチサイズが15の場合に,重み付き改善に基づくベイズ最適化(WEIBO)アプローチと比較して最大15倍の高速化を実現することができる。
- 参考スコア（独自算出の注目度）: 11.64233949999656
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Bayesian optimization is a promising methodology for analog circuit
synthesis. However, the sequential nature of the Bayesian optimization
framework significantly limits its ability to fully utilize real-world
computational resources. In this paper, we propose an efficient parallelizable
Bayesian optimization algorithm via Multi-objective ACquisition function
Ensemble (MACE) to further accelerate the optimization procedure. By sampling
query points from the Pareto front of the probability of improvement (PI),
expected improvement (EI) and lower confidence bound (LCB), we combine the
benefits of state-of-the-art acquisition functions to achieve a delicate
tradeoff between exploration and exploitation for the unconstrained
optimization problem. Based on this batch design, we further adjust the
algorithm for the constrained optimization problem. By dividing the
optimization procedure into two stages and first focusing on finding an initial
feasible point, we manage to gain more information about the valid region and
can better avoid sampling around the infeasible area. After achieving the first
feasible point, we favor the feasible region by adopting a specially designed
penalization term to the acquisition function ensemble. The experimental
results quantitatively demonstrate that our proposed algorithm can reduce the
overall simulation time by up to 74 times compared to differential evolution
(DE) for the unconstrained optimization problem when the batch size is 15. For
the constrained optimization problem, our proposed algorithm can speed up the
optimization process by up to 15 times compared to the weighted expected
improvement based Bayesian optimization (WEIBO) approach, when the batch size
is 15.
- Abstract（参考訳）: ベイズ最適化はアナログ回路合成の有望な手法である。
しかし、ベイズ最適化フレームワークのシーケンシャルな性質は、実世界の計算資源を完全に活用する能力を著しく制限している。
本稿では,マルチ目的獲得関数アンサンブル (mace) を用いた効率的な並列化ベイズ最適化アルゴリズムを提案する。
改善確率(pi)、期待改善(ei)、信頼度バウンド(lcb)のパレート面からクエリポイントをサンプリングすることにより、最先端取得関数の利点を組み合わせることで、未制約最適化問題に対する探索と搾取の間の微妙なトレードオフを実現する。
このバッチ設計に基づいて,制約付き最適化問題に対するアルゴリズムをさらに調整する。
最適化手順を2段階に分割し,まず最初に実現可能な点の発見に焦点をあてることで,有効領域についてより多くの情報を得ることができ,有効領域のサンプリングを回避できる。
最初の実現可能点を達成した後、取得関数アンサンブルに特別に設計されたペナルティ化項を採用することにより、実現可能領域を好む。
実験の結果,提案アルゴリズムはバッチサイズが15のときの非制約最適化問題に対する微分進化(DE)と比較して,シミュレーション全体の時間を最大74倍削減できることがわかった。
制約付き最適化問題に対して,提案アルゴリズムは,バッチサイズが15の場合に,重み付き改善に基づくベイズ最適化(WEIBO)アプローチと比較して最大15倍の高速化を実現することができる。
関連論文リスト
- Batch Bayesian Optimization via Expected Subspace Improvement [0.0]
本稿では,ベイズ最適化をバッチ評価に拡張するためのシンプルで効率的な手法を提案する。
提案手法は,逐次ベイズ最適化アルゴリズムと比較した場合,ニア線形高速化を実現することができる。
論文 参考訳（メタデータ） (2024-11-25T09:14:09Z) - Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。
本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。
合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文 参考訳（メタデータ） (2024-11-07T17:05:31Z) - Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration [2.984929040246293]
ガウス過程シュロゲートモデルの精度を高めるために、ランダムな探索ステップに依存する新しいノイズフリーベイズ最適化戦略。
新しいアルゴリズムは、古典的なGP-UCBの実装の容易さを維持しているが、さらなる探索がそれらの収束を促進する。
論文 参考訳（メタデータ） (2024-01-30T14:16:06Z) - Parallel Bayesian Optimization Using Satisficing Thompson Sampling for
Time-Sensitive Black-Box Optimization [0.0]
本稿では,Thompsonサンプリングに基づく並列BO手法を提案する。
ターゲットを最適なソリューションから、学習しやすい満足できるソリューションにシフトします。
リチウムイオン電池の高速充電設計問題に対して提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2023-10-19T07:03:51Z) - Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。
これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文 参考訳（メタデータ） (2023-02-01T08:50:48Z) - Optimistic Optimization of Gaussian Process Samples [30.226274682578172]
競合する、計算的により効率的でグローバルな最適化フレームワークは楽観的な最適化であり、これは探索空間の幾何学に関する事前知識を相似関数として利用している。
幾何的探索と確率的探索の間には新たな研究領域があり、ベイズ最適化の重要な機能を保ちながら、従来のベイズ最適化よりも大幅に高速に実行される方法がある。
論文 参考訳（メタデータ） (2022-09-02T09:06:24Z) - Non-Convex Optimization with Certificates and Fast Rates Through Kernel
Sums of Squares [68.8204255655161]
非最適化近似問題を考える。
本稿では,最優先計算を保証するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-04-11T09:37:04Z) - LinEasyBO: Scalable Bayesian Optimization Approach for Analog Circuit
Synthesis via One-Dimensional Subspaces [11.64233949999656]
アナログ回路合成のための1次元部分空間による高速でロバストなベイズ最適化手法を提案する。
提案アルゴリズムは,バッチサイズが15のとき,LP-EIおよびREMBOpBOと比較して最大9倍,38倍の最適化手順を高速化できる。
論文 参考訳（メタデータ） (2021-09-01T21:25:25Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z)
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。