論文の概要: Surrogate-Based Black-Box Optimization Method for Costly Molecular
Properties
- arxiv url: http://arxiv.org/abs/2110.03522v1
- Date: Fri, 1 Oct 2021 15:28:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-10 09:17:18.378052
- Title: Surrogate-Based Black-Box Optimization Method for Costly Molecular
Properties
- Title(参考訳): コスト分子特性に対するサロゲート基ブラックボックス最適化法
- Authors: Jules Leguy, Thomas Cauchy, Beatrice Duval, Benoit Da Mota
- Abstract要約: 本稿では,サロゲートをベースとしたブラックボックス最適化手法を提案する。
提案手法は, 純粋にメタヒューリスティックなアプローチよりもはるかに高速に, 利害関係のコスト特性を最適化できることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: AI-assisted molecular optimization is a very active research field as it is
expected to provide the next-generation drugs and molecular materials. An
important difficulty is that the properties to be optimized rely on costly
evaluations. Machine learning methods are investigated with success to predict
these properties, but show generalization issues on less known areas of the
chemical space. We propose here a surrogate-based black box optimization
method, to tackle jointly the optimization and machine learning problems. It
consists in optimizing the expected improvement of the surrogate of a molecular
property using an evolutionary algorithm. The surrogate is defined as a
Gaussian Process Regression (GPR) model, learned on a relevant area of the
search space with respect to the property to be optimized. We show that our
approach can successfully optimize a costly property of interest much faster
than a purely metaheuristic approach.
- Abstract(参考訳): AIによる分子最適化は非常に活発な研究分野であり、次世代の医薬品や分子材料の提供が期待されている。
重要な困難は、最適化されるプロパティがコスト評価に依存することである。
機械学習手法はこれらの特性を予測するのに成功しているが、化学空間のあまり知られていない領域の一般化問題を示す。
そこで本研究では,サロゲートを用いたブラックボックス最適化手法を提案する。
進化的アルゴリズムを用いて分子特性のサロゲートの改善を最適化する。
シュロゲートはガウス過程回帰(GPR)モデルとして定義され、最適化されるプロパティに関して検索空間の関連領域で学習される。
提案手法は, 純粋にメタヒューリスティックなアプローチよりもはるかに高速に, 利害関係のコスト特性を最適化できることを示す。
関連論文リスト
- Molecule optimization via multi-objective evolutionary in implicit
chemical space [8.72872397589296]
MOMOは、化学知識の学習と多目的進化探索を組み合わせた多目的分子最適化フレームワークである。
4つの多目的特性と類似性最適化タスクにおけるMOMOの性能を実証し、ケーススタディを通してMOMOの探索能力を示す。
論文 参考訳(メタデータ) (2022-12-17T09:09:23Z) - A Data-Driven Evolutionary Transfer Optimization for Expensive Problems
in Dynamic Environments [9.098403098464704]
データ駆動、つまりサロゲート支援、進化的最適化は、高価なブラックボックス最適化問題に対処するための効果的なアプローチとして認識されている。
本稿では,データ駆動型進化的最適化により動的最適化問題を解くための,シンプルだが効果的な伝達学習フレームワークを提案する。
提案手法の有効性を実世界のケーススタディで実証した。
論文 参考訳(メタデータ) (2022-11-05T11:19:50Z) - 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) - Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか?
まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。
また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文 参考訳(メタデータ) (2022-03-12T16:07:57Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳(メタデータ) (2021-07-14T17:55:28Z) - JANUS: Parallel Tempered Genetic Algorithm Guided by Deep Neural
Networks for Inverse Molecular Design [1.6114012813668934]
逆分子設計、すなわち特定の目的特性を持つ分子を設計することは最適化問題として考えられる。
ジャヌス (Janus) は、2つの個体群を伝播させ、もう1つは探索用、もう1つは搾取用の遺伝的アルゴリズムである。
Janusは、化学空間のサンプリングを増強するために能動的学習を通じて分子特性を近似するディープニューラルネットワークによって強化される。
論文 参考訳(メタデータ) (2021-06-07T23:41:34Z) - Optimizing Large-Scale Hyperparameters via Automated Learning Algorithm [97.66038345864095]
ゼロ階超勾配(HOZOG)を用いた新しいハイパーパラメータ最適化法を提案する。
具体的には、A型制約最適化問題として、まずハイパーパラメータ最適化を定式化する。
次に、平均ゼロ階超勾配を用いてハイパーパラメータを更新する。
論文 参考訳(メタデータ) (2021-02-17T21:03:05Z) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-03T18:51:18Z) - Controlled Molecule Generator for Optimizing Multiple Chemical
Properties [9.10095508718581]
2つの制約ネットワークを持つトランスフォーマーに基づく新しい最適化された分子生成モデルを提案する。
実験により,提案モデルでは,複数の特性を同時に最適化する上で,最先端モデルよりも有意な差が認められた。
論文 参考訳(メタデータ) (2020-10-26T21:26:14Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳(メタデータ) (2020-05-21T20:59:11Z)
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。