論文の概要: LinEasyBO: Scalable Bayesian Optimization Approach for Analog Circuit
Synthesis via One-Dimensional Subspaces
- arxiv url: http://arxiv.org/abs/2109.00617v1
- Date: Wed, 1 Sep 2021 21:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-04 05:35:21.820777
- Title: LinEasyBO: Scalable Bayesian Optimization Approach for Analog Circuit
Synthesis via One-Dimensional Subspaces
- Title（参考訳）: LinEasyBO: 1次元部分空間によるアナログ回路合成のためのスケーラブルベイズ最適化手法
- Authors: Shuhan Zhang, Fan Yang, Changhao Yan, Dian Zhou, Xuan Zeng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.64233949999656
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: A large body of literature has proved that the Bayesian optimization
framework is especially efficient and effective in analog circuit synthesis.
However, most of the previous research works only focus on designing
informative surrogate models or efficient acquisition functions. Even if
searching for the global optimum over the acquisition function surface is
itself a difficult task, it has been largely ignored. In this paper, we propose
a fast and robust Bayesian optimization approach via one-dimensional subspaces
for analog circuit synthesis. By solely focusing on optimizing one-dimension
subspaces at each iteration, we greatly reduce the computational overhead of
the Bayesian optimization framework while safely maximizing the acquisition
function. By combining the benefits of different dimension selection
strategies, we adaptively balancing between searching globally and locally. By
leveraging the batch Bayesian optimization framework, we further accelerate the
optimization procedure by making full use of the hardware resources.
Experimental results quantitatively show that our proposed algorithm can
accelerate the optimization procedure by up to 9x and 38x compared to LP-EI and
REMBOpBO respectively when the batch size is 15.
- Abstract（参考訳）: 多くの文献がベイズ最適化フレームワークが特に効率的でアナログ回路合成に有効であることを証明している。
しかし、これまでの研究の多くは情報的代理モデルや効率的な獲得機能の設計にのみ焦点をあてている。
取得関数表面上でのグローバル最適探索はそれ自体が難しい作業であるとしても、ほとんど無視されている。
本稿では,アナログ回路合成のための一次元部分空間を用いた高速でロバストなベイズ最適化手法を提案する。
各イテレーションで1次元部分空間を最適化することだけに集中することで、取得関数を安全に最大化しながらベイズ最適化フレームワークの計算オーバーヘッドを大幅に削減する。
異なる次元選択戦略の利点を組み合わせることで、グローバル検索とローカル検索を適応的にバランスさせる。
バッチベイズ最適化フレームワークを活用することにより,ハードウェアリソースをフル活用することにより,最適化手順をさらに高速化する。
その結果,提案アルゴリズムはバッチサイズが15のとき,LP-EIとREMBOpBOと比較して最大9倍,38倍の最適化を高速化できることがわかった。
関連論文リスト
- 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) - Optimizing Posterior Samples for Bayesian Optimization via Rootfinding [2.94944680995069]
我々は,グローバルなルートフィンディングに基づく後方サンプルの効率的な大域的最適化手法を提案する。
内ループ最適化と外ループ最適化の両方において顕著な改善が示された。
GP-TSのサンプル平均定式化も提案する。
論文 参考訳（メタデータ） (2024-10-29T17:57:16Z) - Localized Zeroth-Order Prompt Optimization [54.964765668688806]
そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。
ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。
注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
論文 参考訳（メタデータ） (2024-03-05T14:18:15Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - 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) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - SOBER: Highly Parallel Bayesian Optimization and Bayesian Quadrature
over Discrete and Mixed Spaces [6.573393706476156]
離散および混合空間上の任意のカーネルを持つ新しい大域最適化法を提案する。
バッチ二次法は、搾取的ベイズ二次法の利点のバランスをとることによって、両方の問題を効率的に解くことができる。
我々は、SOBERが競合するベースライン効率のバッチとスケーラブルな実世界のタスクより優れていることを示す。
論文 参考訳（メタデータ） (2023-01-27T16:36:33Z) - 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) - An Efficient Batch Constrained Bayesian Optimization Approach for Analog
Circuit Synthesis via Multi-objective Acquisition Ensemble [11.64233949999656]
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。
論文 参考訳（メタデータ） (2021-06-28T13:21:28Z) - 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)
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。