論文の概要: Bayesian optimization with known experimental and design constraints for chemistry applications

• arxiv url: http://arxiv.org/abs/2203.17241v1
• Date: Tue, 29 Mar 2022 22:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-02 15:06:18.058288
• Title: Bayesian optimization with known experimental and design constraints for chemistry applications
• Title（参考訳）: 化学応用のための既知の実験および設計制約を伴うベイズ最適化
• Authors: Riley J. Hickman, Matteo Aldeghi, Florian H\"ase, Al\'an Aspuru-Guzik
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimization strategies driven by machine learning, such as Bayesian optimization, are being explored across experimental sciences as an efficient alternative to traditional design of experiment. When combined with automated laboratory hardware and high-performance computing, these strategies enable next-generation platforms for autonomous experimentation. However, the practical application of these approaches is hampered by a lack of flexible software and algorithms tailored to the unique requirements of chemical research. One such aspect is the pervasive presence of constraints in the experimental conditions when optimizing chemical processes or protocols, and in the chemical space that is accessible when designing functional molecules or materials. Although many of these constraints are known a priori, they can be interdependent, non-linear, and result in non-compact optimization domains. In this work, we extend our experiment planning algorithms Phoenics and Gryffin such that they can handle arbitrary known constraints via an intuitive and flexible interface. We benchmark these extended algorithms on continuous and discrete test functions with a diverse set of constraints, demonstrating their flexibility and robustness. In addition, we illustrate their practical utility in two simulated chemical research scenarios: the optimization of the synthesis of o-xylenyl Buckminsterfullerene adducts under constrained flow conditions, and the design of redox active molecules for flow batteries under synthetic accessibility constraints. The tools developed constitute a simple, yet versatile strategy to enable model-based optimization with known experimental constraints, contributing to its applicability as a core component of autonomous platforms for scientific discovery.
• Abstract（参考訳）: ベイジアン最適化のような機械学習によって駆動される最適化戦略は、従来の実験設計の代替として、実験科学で研究されている。 自動実験ハードウェアと高性能コンピューティングを組み合わせることで、これらの戦略は、自律的な実験のための次世代プラットフォームを可能にする。 しかし、これらのアプローチの実際的な応用は、化学研究のユニークな要求に合わせた柔軟なソフトウェアとアルゴリズムの欠如によって妨げられている。 そのような側面の1つは、化学過程やプロトコルを最適化する実験条件や、機能分子や材料を設計する際にアクセス可能な化学空間における制約が広く存在することである。 これらの制約の多くは優先順位として知られているが、相互依存的で非線形であり、非コンパクトな最適化領域となる。 本研究では,実験計画アルゴリズムであるphoenicsとgryffinを拡張し,任意の既知の制約を直感的で柔軟なインターフェースで処理できるようにする。 これらの拡張アルゴリズムを,さまざまな制約を持った連続的および離散的なテスト関数にベンチマークし,その柔軟性と堅牢性を示す。 さらに,オキシレニルBuckminsterfullerene付加体の流動条件下での合成の最適化と,合成アクセシビリティ制約下でのフローバッテリ用酸化還元活性分子の設計の2つのシミュレーション化学研究シナリオにおける実用性について述べる。 開発されたツールは、既知の実験的な制約でモデルベースの最適化を可能にするためのシンプルで汎用的な戦略を構成しており、科学的発見のための自律プラットフォームの中核コンポーネントとしての適用性に貢献している。

関連論文リスト

• Optimization-Driven Adaptive Experimentation [7.948144726705323]
  実世界の実験には、バッチで遅延したフィードバック、非定常性、複数の目的と制約、そして(時には)パーソナライゼーションが含まれる。 これらの課題にプロブレム単位で対処するための適応的手法の調整は不可能であり、静的設計はデファクトスタンダードのままである。 本稿では,多種多様な目的,制約,統計的手順を柔軟に組み込む数学的プログラミングの定式化について述べる。
  論文  参考訳（メタデータ） (2024-08-08T16:29:09Z)
• Adaptive Experimentation When You Can't Experiment [55.86593195947978]
  本稿では,Emphcon founded the pure exploration transductive linear bandit (textttCPET-LB) problem。 オンラインサービスは、ユーザーを特定の治療にインセンティブを与える、適切にランダム化された励ましを利用することができる。
  論文  参考訳（メタデータ） (2024-06-15T20:54:48Z)
• 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)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• The Struggle for Existence: Time, Memory and Bloat [0.0]
  生物学的システムの研究のための遺伝プログラムの暗黙的、内在的、進化的最適化をテストする。 新たなソリューションは最適化プロセスの創造性を確認し、中立なコードを実験的にテストするユニークな機会を提供する。 この暗黙的、遺伝的、空間的にプログラムされたエージェントの使用は、新規で、生物学的システムと整合性があり、適合性や新規な解を見つけるのに効果的で効率的であることが示されている。
  論文  参考訳（メタデータ） (2023-02-06T19:53:59Z)
• 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)
• Golem: An algorithm for robust experiment and process optimization [0.0]
  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。
  論文  参考訳（メタデータ） (2021-03-05T15:00:34Z)
• 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)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

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。