論文の概要: Accelerating material discovery with a threshold-driven hybrid acquisition policy-based Bayesian optimization

• arxiv url: http://arxiv.org/abs/2311.09591v1
• Date: Thu, 16 Nov 2023 06:02:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 16:27:28.044511
• Title: Accelerating material discovery with a threshold-driven hybrid acquisition policy-based Bayesian optimization
• Title（参考訳）: 閾値駆動型ハイブリッド獲得ポリシーに基づくベイズ最適化による物質発見の促進
• Authors: Ahmed Shoyeb Raihan, Hamed Khosravi, Srinjoy Das, Imtiaz Ahmed
• Abstract要約: 本稿では,Threshold-Driven UCB-EI Bayesian Optimization (TDUE-BO)法を提案する。 物質発見過程を最適化するために、上信頼境界(UCB)と期待改善関数(EI)の強みを動的に統合する。 RMSEのスコアと収束効率の観点から,EI法とCB法を併用したBO法よりも高い近似と最適化性能を示した。
• 参考スコア（独自算出の注目度）: 4.021352247826289
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Advancements in materials play a crucial role in technological progress. However, the process of discovering and developing materials with desired properties is often impeded by substantial experimental costs, extensive resource utilization, and lengthy development periods. To address these challenges, modern approaches often employ machine learning (ML) techniques such as Bayesian Optimization (BO), which streamline the search for optimal materials by iteratively selecting experiments that are most likely to yield beneficial results. However, traditional BO methods, while beneficial, often struggle with balancing the trade-off between exploration and exploitation, leading to sub-optimal performance in material discovery processes. This paper introduces a novel Threshold-Driven UCB-EI Bayesian Optimization (TDUE-BO) method, which dynamically integrates the strengths of Upper Confidence Bound (UCB) and Expected Improvement (EI) acquisition functions to optimize the material discovery process. Unlike the classical BO, our method focuses on efficiently navigating the high-dimensional material design space (MDS). TDUE-BO begins with an exploration-focused UCB approach, ensuring a comprehensive initial sweep of the MDS. As the model gains confidence, indicated by reduced uncertainty, it transitions to the more exploitative EI method, focusing on promising areas identified earlier. The UCB-to-EI switching policy dictated guided through continuous monitoring of the model uncertainty during each step of sequential sampling results in navigating through the MDS more efficiently while ensuring rapid convergence. The effectiveness of TDUE-BO is demonstrated through its application on three different material datasets, showing significantly better approximation and optimization performance over the EI and UCB-based BO methods in terms of the RMSE scores and convergence efficiency, respectively.
• Abstract（参考訳）: 材料の進歩は技術進歩において重要な役割を担っている。 しかし, 所望の特性を持つ材料を発見・開発するプロセスは, かなりの実験コスト, 資源利用量, 開発期間の長期化などによって阻害されることがしばしばある。 これらの課題に対処するために、最近のアプローチでは、ベイズ最適化(bo)のような機械学習(ml)技術が採用され、最適な材料探索を、最も有益な結果をもたらす可能性のある実験を反復的に選択することによって合理化する。 しかし、従来のBO法は有益であるが、しばしば探検と搾取の間のトレードオフのバランスに苦慮し、物質発見プロセスにおける準最適性能をもたらす。 本稿では,新しいしきい値駆動型ucb-eiベイズ最適化(tdue-bo)法を提案する。 従来のBOとは異なり,本手法は高次元材料設計空間(MDS)の効率的なナビゲーションに重点を置いている。 TDUE-BO は、探査に焦点を当てた UCB アプローチから始まり、MDS の包括的な初期掃討を保証する。 モデルの信頼性が向上するにつれて、不確実性の低減によって示されるように、より搾取的なEI手法に移行する。 UCB-to-EI切替ポリシーは, 連続サンプリングの各段階におけるモデル不確かさの連続的なモニタリングを通じて誘導され, 高速収束を確保しつつMDSを効率的に通過する。 TDUE-BOの有効性は, RMSEスコアと収束効率の点で, EI法, UCB法, BO法に比較して有意に優れた近似と最適化性能を示した。

関連論文リスト

• Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
  各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。 このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-05-28T07:38:39Z)
• Trial and Error: Exploration-Based Trajectory Optimization for LLM Agents [49.85633804913796]
  本稿では,ETOと呼ばれる探索に基づく軌道最適化手法を提案する。 この学習方法はオープンLLMエージェントの性能を向上させるために設計されている。 3つの複雑なタスクに関する実験は、ETOがベースライン性能をはるかに上回っていることを示す。
  論文  参考訳（メタデータ） (2024-03-04T21:50:29Z)
• 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)
• Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
  本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。 高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。 以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-06T11:44:06Z)
• Domain Knowledge Injection in Bayesian Search for New Materials [0.0]
  探索空間における探索を調整するためのドメイン知識に対応するベイズ最適化(BO)アルゴリズムであるDKIBOを提案する。 材料設計タスクにおいて,ドメイン知識をうまく注入することで,提案手法の実用性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-11-26T01:55:55Z)
• CARE: Confidence-rich Autonomous Robot Exploration using Bayesian Kernel Inference and Optimization [12.32946442160165]
  未知・複雑な環境における情報に基づく自律ロボット探査の効率化を検討する。 ベイジアンカーネル推論と最適化に基づく新しい軽量情報ゲイン推定法(BKIO)を提案する。 異なる非構造, 乱雑な環境下での探索性能を損なうことなく, 提案手法の所望の効率性を示す。
  論文  参考訳（メタデータ） (2023-09-11T02:30:06Z)
• Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
  データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。 サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。 本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T15:46:20Z)
• Optimizing Closed-Loop Performance with Data from Similar Systems: A Bayesian Meta-Learning Approach [1.370633147306388]
  性能最適化タスクから収集したデータに基づいて,メタ学習を用いて初期サロゲートモデルを生成する。 制御系の性能最適化を高速化するためのDKN-BO手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-10-31T18:25:47Z)
• Robust Bayesian optimization with reinforcement learned acquisition functions [4.05984965639419]
  ベイズ最適化において、取得関数(AF)はシーケンシャルサンプリングを誘導し、効率的な収束のために重要な役割を果たす。 この危機に対処するため、データ駆動型AF選択の考え方が提案されている。 シーケンシャルAF選択タスクは、マルコフ決定プロセス(MDP)として形式化され、強力な強化学習(RL)技術を利用する。
  論文  参考訳（メタデータ） (2022-10-02T09:59:06Z)
• High-Dimensional Bayesian Optimisation with Variational Autoencoders and Deep Metric Learning [119.91679702854499]
  本研究では,高次元の入力空間上でベイズ最適化を行うためのディープ・メトリック・ラーニングに基づく手法を提案する。 このような帰納バイアスを、利用可能なラベル付きデータの1%だけを用いて達成する。 実証的な貢献として、実世界の高次元ブラックボックス最適化問題に対する最先端の結果を示す。
  論文  参考訳（メタデータ） (2021-06-07T13:35:47Z)

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。