論文の概要: A dynamic Bayesian optimized active recommender system for curiosity-driven Human-in-the-loop automated experiments

• arxiv url: http://arxiv.org/abs/2304.02484v1
• Date: Wed, 5 Apr 2023 14:54:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 12:24:51.244989
• Title: A dynamic Bayesian optimized active recommender system for curiosity-driven Human-in-the-loop automated experiments
• Title（参考訳）: キュリオシティ駆動型ループ内自動実験のための動的ベイズ最適化アクティブレコメンダシステム
• Authors: Arpan Biswas, Yongtao Liu, Nicole Creange, Yu-Chen Liu, Stephen Jesse, Jan-Chi Yang, Sergei V. Kalinin, Maxim A. Ziatdinov, Rama K. Vasudevan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.780395483188242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimization of experimental materials synthesis and characterization through active learning methods has been growing over the last decade, with examples ranging from measurements of diffraction on combinatorial alloys at synchrotrons, to searches through chemical space with automated synthesis robots for perovskites. In virtually all cases, the target property of interest for optimization is defined apriori with limited human feedback during operation. In contrast, here we present the development of a new type of human in the loop experimental workflow, via a Bayesian optimized active recommender system (BOARS), to shape targets on the fly, employing human feedback. We showcase examples of this framework applied to pre-acquired piezoresponse force spectroscopy of a ferroelectric thin film, and then implement this in real time on an atomic force microscope, where the optimization proceeds to find symmetric piezoresponse amplitude hysteresis loops. It is found that such features appear more affected by subsurface defects than the local domain structure. This work shows the utility of human-augmented machine learning approaches for curiosity-driven exploration of systems across experimental domains. The analysis reported here is summarized in Colab Notebook for the purpose of tutorial and application to other data: https://github.com/arpanbiswas52/varTBO
• Abstract（参考訳）: 放射光による組合せ合金の回折測定からペロブスカイト自動合成ロボットによる化学空間での探索まで, アクティブラーニングによる実験材料合成とキャラクタリゼーションの最適化は, 過去10年間にわたって増加している。 事実上全てのケースにおいて、最適化のための関心の対象特性は、操作中の人間のフィードバックが限られたアプリオリで定義される。 そこで,本研究では,ベイズ最適化アクティブレコメンデータシステム(boars)を用いたループ実験ワークフローにおける新たなタイプの人間の開発について紹介する。 強誘電体薄膜のピエゾレスポンス力分光法に適用したこの枠組みの例を示し、これを原子間力顕微鏡でリアルタイムに実装し、対称性のピエゾレスポンス振幅ヒステリシスループを最適化する。 これらの特徴は, 局所領域構造よりも地下欠陥の影響を受けやすいことがわかった。 本研究は,実験領域にまたがるシステムの好奇心を駆使した探索のための,人間による機械学習手法の有用性を示す。 ここで報告された分析は、他のデータへのチュートリアルと応用を目的としたColab Notebookで要約されている。

関連論文リスト

• Measurements with Noise: Bayesian Optimization for Co-optimizing Noise and Property Discovery in Automated Experiments [2.6120363620274816]
  我々は,段階内雑音最適化を自動実験サイクルに統合するベイズ最適化(BO)ワークフローを開発した。 自動実験における従来のBOアプローチは、実験軌道の最適化に重点を置いているが、しばしば測定ノイズがデータ品質とコストに与える影響を見落としている。 報酬駆動型雑音最適化と二重最適化関数の2つのアプローチが検討されている。
  論文  参考訳（メタデータ） (2024-10-03T17:38:43Z)
• SANE: Strategic Autonomous Non-Smooth Exploration for Multiple Optima Discovery in Multi-modal and Non-differentiable Black-box Functions [12.483622440363146]
  我々は、インテリジェントベイズ最適化ナビゲーションを容易にするために、戦略的自律非平滑探索(SANE)を開発した。 SANEは、一つの最適な場所に閉じ込められる傾向を避ける。 複数の最適領域の探索を容易にするため,従来のBOよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-18T20:04:51Z)
• 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)
• Towards accelerating physical discovery via non-interactive and interactive multi-fidelity Bayesian Optimization: Current challenges and future opportunities [0.2445561610325265]
  そこで我々は,従来の(データ駆動型)MFBOから始まり,構造化された(物理駆動型)sMFBOに始まり,適応的かつドメインの専門家による探索のためのループ型インタラクティブiMFBOを実現するためのインタラクティブなビルディングを探索する。 詳細な分析と比較は、探索の改善のための物理知識注入とオンザフライでの人間の決定の影響、現在の課題、そしてデータ、物理、およびリアルタイムの人間の決定を組み合わせたアルゴリズム開発の可能性を示している。
  論文  参考訳（メタデータ） (2024-02-20T22:12:33Z)
• Optimistic Active Exploration of Dynamical Systems [52.91573056896633]
  我々はOPAXと呼ばれる活発な探索のためのアルゴリズムを開発した。 我々は,OPAXを各エピソードで解決可能な最適制御問題に還元する方法を示す。 実験の結果,OPAXは理論的に健全であるだけでなく,新規な下流タスクのゼロショット計画にも有効であることがわかった。
  論文  参考訳（メタデータ） (2023-06-21T16:26:59Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• Benchmarking the Performance of Bayesian Optimization across Multiple Experimental Materials Science Domains [3.9478770908139085]
  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。
  論文  参考訳（メタデータ） (2021-05-23T22:04:07Z)
• Contextual Latent-Movements Off-Policy Optimization for Robotic Manipulation Skills [41.140532647789456]
  本稿では,低次元非線形潜在力学の獲得のために,実験軌道の扱いに関する新しい考え方を提案する。 LAAMPO (Latent-Movements Policy Optimization) と呼ばれる新しい文脈外RLアルゴリズムを導入する。 LAMPOは、文献における一般的なアプローチに対するサンプル効率のよいポリシーを提供する。
  論文  参考訳（メタデータ） (2020-10-26T17:53:30Z)
• Human Preference-Based Learning for High-dimensional Optimization of Exoskeleton Walking Gaits [55.59198568303196]
  この研究は、LineCoSparという、高次元でユーザの好みを学習するヒューマン・イン・ザ・ループの好みベースのフレームワークを提示する。 シミュレーションと人為的試行において,LineCoSparは高次元の選好最適化のためのサンプル効率のよい手法であることを実証的に検証した。 この結果はエキソ骨格の歩行合成に影響を及ぼし,臨床応用と患者のリハビリテーションに有効である。
  論文  参考訳（メタデータ） (2020-03-13T22:02:15Z)
• 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。