論文の概要: Towards accelerating physical discovery via non-interactive and interactive multi-fidelity Bayesian Optimization: Current challenges and future opportunities

• arxiv url: http://arxiv.org/abs/2402.13402v1
• Date: Tue, 20 Feb 2024 22:12:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 17:59:15.727382
• Title: Towards accelerating physical discovery via non-interactive and interactive multi-fidelity Bayesian Optimization: Current challenges and future opportunities
• Title（参考訳）: 非対話的かつインタラクティブなベイズ最適化による物理発見の加速に向けて:現状の課題と今後の展望
• Authors: Arpan Biswas, Sai Mani Prudhvi Valleti, Rama Vasudevan, Maxim Ziatdinov, Sergei V. Kalinin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.2445561610325265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Both computational and experimental material discovery bring forth the challenge of exploring multidimensional and often non-differentiable parameter spaces, such as phase diagrams of Hamiltonians with multiple interactions, composition spaces of combinatorial libraries, processing spaces, and molecular embedding spaces. Often these systems are expensive or time-consuming to evaluate a single instance, and hence classical approaches based on exhaustive grid or random search are too data intensive. This resulted in strong interest towards active learning methods such as Bayesian optimization (BO) where the adaptive exploration occurs based on human learning (discovery) objective. However, classical BO is based on a predefined optimization target, and policies balancing exploration and exploitation are purely data driven. In practical settings, the domain expert can pose prior knowledge on the system in form of partially known physics laws and often varies exploration policies during the experiment. Here, we explore interactive workflows building on multi-fidelity BO (MFBO), starting with classical (data-driven) MFBO, then structured (physics-driven) sMFBO, and extending it to allow human in the loop interactive iMFBO workflows for adaptive and domain expert aligned exploration. These approaches are demonstrated over highly non-smooth multi-fidelity simulation data generated from an Ising model, considering spin-spin interaction as parameter space, lattice sizes as fidelity spaces, and the objective as maximizing heat capacity. Detailed analysis and comparison show the impact of physics knowledge injection and on-the-fly human decisions for improved exploration, current challenges, and potential opportunities for algorithm development with combining data, physics and real time human decisions.
• Abstract（参考訳）: 計算的および実験的材料発見は、複数の相互作用を持つハミルトニアンの位相図、組合せライブラリの合成空間、処理空間、分子埋め込み空間など、多次元でしばしば微分不可能なパラメータ空間を探索する問題を引き起こす。 多くの場合、これらのシステムは単一のインスタンスを評価するのに高価または時間がかかるため、網羅的グリッドやランダム検索に基づく古典的なアプローチはデータ集約的すぎる。 これは、人間の学習(発見)の目的に基づいて適応的探索を行うベイズ最適化(bo)のようなアクティブな学習方法に強い関心を寄せた。 しかし、古典的なBOは事前に定義された最適化目標に基づいており、探索とエクスプロイトのバランスをとるポリシーは純粋にデータ駆動である。 実践的な設定では、ドメインエキスパートは部分的に知られている物理法則の形でシステムに関する事前の知識を提供することができ、しばしば実験中に探索ポリシーを変更する。 本稿では,従来の(データ駆動の)MFBOから始まり,構造化された(物理駆動の)sMFBOから始まり,適応性とドメインの専門家による探索のために,ループで対話的なiMFBOワークフローを実現するためのインタラクティブワークフローを探索する。 これらの手法は、パラメータ空間としてのスピンスピン相互作用、忠実度空間としての格子サイズ、熱容量の最大化という目的を考慮し、Isingモデルから生成した非滑らかな多重忠実度シミュレーションデータに対して実証される。 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。

関連論文リスト

• LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
  本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。 提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• 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)
• Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
  我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。 我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。 本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2024-06-06T07:34:58Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• 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)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• A dynamic Bayesian optimized active recommender system for curiosity-driven Human-in-the-loop automated experiments [8.780395483188242]
  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。
  論文  参考訳（メタデータ） (2023-04-05T14:54:34Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Physics in the Machine: Integrating Physical Knowledge in Autonomous Phase-Mapping [10.629434761354938]
  科学インフォームドAIや科学AIは、データ分析から、クローズドループ自律システムにおける実験設計、シミュレーション、実行、分析まで、成長してきた。 CAMEOアルゴリズムは、物質系の構成構造関係を学習し、最適な機能特性を持つ材料組成を特定するという2つの課題に対処するために、科学的なAIを使用する。
  論文  参考訳（メタデータ） (2021-11-15T00:48:34Z)
• Objective discovery of dominant dynamical processes with intelligible machine learning [0.0]
  本稿では,動的状態の同定を最適化問題として定式化する形式的定義を提案する。 本稿では,事前知識やアドホックな定義の必要性を排除した教師なし学習フレームワークを提案する。 我々の手法は、動的システム内でセレンディピティーな発見を可能にする、偏りのないデータ探索への一歩である。
  論文  参考訳（メタデータ） (2021-06-21T20:57:23Z)

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。