論文の概要: Best Practices for Multi-Fidelity Bayesian Optimization in Materials and Molecular Research

• arxiv url: http://arxiv.org/abs/2410.00544v1
• Date: Tue, 1 Oct 2024 09:37:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 04:57:03.284484
• Title: Best Practices for Multi-Fidelity Bayesian Optimization in Materials and Molecular Research
• Title（参考訳）: 材料・分子研究における多要素ベイズ最適化のベストプラクティス
• Authors: Víctor Sabanza-Gil, Riccardo Barbano, Daniel Pacheco Gutiérrez, Jeremy S. Luterbacher, José Miguel Hernández-Lobato, Philippe Schwaller, Loïc Roch,
• Abstract要約: MFBO(Multi-fidelity Bayesian Optimization)は、物質や分子の発見を高速化するためのフレームワークである。 化学的タスクに使用される可能性があるが、MFBOで果たす多くのパラメータの体系的な評価が欠如している。 実験環境でMFBOをいつ使用するかを決めるためのガイドラインと勧告を提供する。
• 参考スコア（独自算出の注目度）: 23.891927943934768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-fidelity Bayesian Optimization (MFBO) is a promising framework to speed up materials and molecular discovery as sources of information of different accuracies are at hand at increasing cost. Despite its potential use in chemical tasks, there is a lack of systematic evaluation of the many parameters playing a role in MFBO. In this work, we provide guidelines and recommendations to decide when to use MFBO in experimental settings. We investigate MFBO methods applied to molecules and materials problems. First, we test two different families of acquisition functions in two synthetic problems and study the effect of the informativeness and cost of the approximate function. We use our implementation and guidelines to benchmark three real discovery problems and compare them against their single-fidelity counterparts. Our results may help guide future efforts to implement MFBO as a routine tool in the chemical sciences.
• Abstract（参考訳）: MFBO(Multi-fidelity Bayesian Optimization, MFBO)は、様々な精度の情報ソースがコストの増大に近づいているため、材料と分子発見を高速化するための有望なフレームワークである。 化学的タスクに使用される可能性があるが、MFBOで果たす多くのパラメータの体系的な評価が欠如している。 本研究では,MFBOを実験環境でいつ使用するかを決定するためのガイドラインと勧告を提供する。 分子・材料問題に適用したMFBO法について検討した。 まず, 2つの合成問題において, 2つの異なる獲得関数群を検証し, 近似関数の有意性とコストの影響について検討する。 実装とガイドラインを使って、3つの実際の発見問題をベンチマークし、それらを彼らの単一の忠実度と比較します。 ケミカルサイエンスにおける日常的なツールとしてのMFBOの実現に向けた今後の取り組みの指針となるかもしれない。

関連論文リスト

• Applying Multi-Fidelity Bayesian Optimization in Chemistry: Open Challenges and Major Considerations [0.0]
  MFBO(Multifidelity Bayesian Optimization)は、所望の最大コストに最適化するために、様々な品質とリソースコストの実験的あるいは計算的なデータを活用する。 本稿では,MFBOの分子や物質の同定を高速化するための応用について検討する。
  論文  参考訳（メタデータ） (2024-09-11T11:22:17Z)
• CAGES: Cost-Aware Gradient Entropy Search for Efficient Local Multi-Fidelity Bayesian Optimization [0.0]
  我々は,多要素ブラックボックス関数の局所BOのための新しいアルゴリズムであるCost-Aware Gradient Entropy Search (CAGES)を提案する。 我々は,CAGESが様々な合成およびベンチマークRL問題において,他の最先端手法と比較して,大幅な性能向上を達成できることを実証した。
  論文  参考訳（メタデータ） (2024-05-13T14:00:02Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
  薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Multi-fidelity Bayesian Optimization in Engineering Design [3.9160947065896803]
  多重忠実度最適化(MFO)とベイズ最適化(BO) MF BOは高価なエンジニアリング設計最適化の問題を解決するニッチを見つけた。 MF BOの2つの必須成分:GP系MFサロゲートと取得機能
  論文  参考訳（メタデータ） (2023-11-21T23:22:11Z)
• Multi-Fidelity Bayesian Optimization with Unreliable Information Sources [12.509709549771385]
  GPベースのMFBOスキームを信頼性のない情報ソースの追加により堅牢にするためのrMFBO(robust MFBO)を提案する。 提案手法の有効性を,多数の数値ベンチマークで示す。 rMFBOは、BOプロセスに様々な知識を持つ人間の専門家を確実に含めるのに特に有用であると考えています。
  論文  参考訳（メタデータ） (2022-10-25T11:47:33Z)
• Multi-Objective GFlowNets [59.16787189214784]
  本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。 薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
  論文  参考訳（メタデータ） (2022-10-23T16:15:36Z)
• Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
  近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。 本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
  論文  参考訳（メタデータ） (2021-07-28T16:29:38Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• 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)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)
• Face Anti-Spoofing with Human Material Perception [76.4844593082362]
  フェース・アンチ・スプーフィング(FAS)は、プレゼンテーション攻撃から顔認識システムを保護する上で重要な役割を担っている。 我々は、顔の反偽造を物質認識問題として言い換え、それを古典的な人間の物質知覚と組み合わせる。 本稿では,本質的な素材に基づくパターンをキャプチャ可能なバイラテラル畳み込みネットワーク(BCN)を提案する。
  論文  参考訳（メタデータ） (2020-07-04T18:25:53Z)

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。