論文の概要: BoFire: Bayesian Optimization Framework Intended for Real Experiments

• arxiv url: http://arxiv.org/abs/2408.05040v1
• Date: Fri, 9 Aug 2024 12:50:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 15:47:15.136919
• Title: BoFire: Bayesian Optimization Framework Intended for Real Experiments
• Title（参考訳）: BoFire: 実実験のためのベイズ最適化フレームワーク
• Authors: Johannes P. Dürholt, Thomas S. Asche, Johanna Kleinekorte, Gabriel Mancino-Ball, Benjamin Schiller, Simon Sung, Julian Keupp, Aaron Osburg, Toby Boyne, Ruth Misener, Rosona Eldred, Wagner Steuer Costa, Chrysoula Kappatou, Robert M. Lee, Dominik Linzner, David Walz, Niklas Wulkow, Behrang Shafei,
• Abstract要約: 私たちのオープンソースのPythonパッケージであるBoFireは、ベイジアン最適化(BO)と、新しい化学の開発と最適化に焦点を当てた他の実験設計(DoE)戦略を組み合わせています。 以前のBO実装は、例えば文学やソフトウェアに存在するため、化学産業における実世界の効果的な展開に相当な適応が必要である。 本稿では,BoFireと他のBO実装の違いについて論じるとともに,BO研究が化学環境での実際の利用に適応する必要がある方法について概説する。
• 参考スコア（独自算出の注目度）: 7.895074842021956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Our open-source Python package BoFire combines Bayesian Optimization (BO) with other design of experiments (DoE) strategies focusing on developing and optimizing new chemistry. Previous BO implementations, for example as they exist in the literature or software, require substantial adaptation for effective real-world deployment in chemical industry. BoFire provides a rich feature-set with extensive configurability and realizes our vision of fast-tracking research contributions into industrial use via maintainable open-source software. Owing to quality-of-life features like JSON-serializability of problem formulations, BoFire enables seamless integration of BO into RESTful APIs, a common architecture component for both self-driving laboratories and human-in-the-loop setups. This paper discusses the differences between BoFire and other BO implementations and outlines ways that BO research needs to be adapted for real-world use in a chemistry setting.
• Abstract（参考訳）: 私たちのオープンソースのPythonパッケージであるBoFireは、ベイジアン最適化(BO)と、新しい化学の開発と最適化に焦点を当てた他の実験設計(DoE)戦略を組み合わせています。 以前のBO実装は、例えば文学やソフトウェアに存在するため、化学産業における実世界の効果的な展開に相当な適応が必要である。 BoFireは、広範な構成性を備えたリッチな機能セットを提供し、メンテナンス可能なオープンソースソフトウェアを通じて、産業利用への迅速な研究貢献という私たちのビジョンを実現します。 問題定式化のJSONシリアライズ可能性のようなQOL機能により、BoFireは、自律的なラボとループ内のセットアップの両方のための共通アーキテクチャコンポーネントであるRESTful APIへのBOのシームレスな統合を可能にします。 本稿では,BoFireと他のBO実装の違いについて論じるとともに,BO研究が化学環境での実際の利用に適応する必要がある方法について概説する。

関連論文リスト

• Ranking over Regression for Bayesian Optimization and Molecule Selection [0.0680892187976602]
  本稿ではランキングモデルを用いたランクベースベイズ最適化(RBO)を提案する。 本稿では, 各種化学データセットにおける従来のBOと比較して, RBOの最適化性能について包括的に検討する。 RBOはレグレッションベースのBOに代わる有効な代替品であり、特に新規化合物の最適化に有効である。
  論文  参考訳（メタデータ） (2024-10-11T22:38:14Z)
• Batched Energy-Entropy acquisition for Bayesian Optimization [0.0]
  本稿では,バッチ処理が可能なガウス過程を持つBOの統計物理学に基づく獲得関数を提案する。 BEEBOは最適化プロセスの探索・探索トレードオフの厳密な制御を可能にし、ヘテロスケダスティックブラックボックス問題に一般化する。
  論文  参考訳（メタデータ） (2024-10-11T13:39:47Z)
• Towards an Integrated Performance Framework for Fire Science and Management Workflows [0.0]
  本稿では,人工知能と機械学習(AI/ML)による性能評価と最適化手法を提案する。 パフォーマンスデータ収集、予測、最適化を対象とする、関連するAI/MLフレームワークが、ワイルドファイアサイエンスアプリケーションに適用される。
  論文  参考訳（メタデータ） (2024-07-30T22:37:25Z)
• 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)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• 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)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Bayesian Optimisation for Sequential Experimental Design with Applications in Additive Manufacturing [2.7910505923792646]
  BO技術について概説し、加法製造におけるBOのすべての応用を概観し、異なるオープンBOライブラリの特徴を比較して実演する。 本稿はベイズ的手法をある程度理解した読者を対象としているが、必ずしも添加物製造の知識を持つとは限らない。
  論文  参考訳（メタデータ） (2021-07-27T13:30:56Z)

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。