論文の概要: Rapid optimization in high dimensional space by deep kernel learning augmented genetic algorithms

• arxiv url: http://arxiv.org/abs/2410.03173v1
• Date: Fri, 4 Oct 2024 06:18:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-03 03:14:31.074423
• Title: Rapid optimization in high dimensional space by deep kernel learning augmented genetic algorithms
• Title（参考訳）: 深層カーネル学習型遺伝的アルゴリズムによる高次元空間の高速最適化
• Authors: Mani Valleti, Aditya Raghavan, Sergei V. Kalinin,
• Abstract要約: Deep Kernel Learning (DKL)は、選択された候補構造の空間を効率的にナビゲートするが、生成能力に欠ける。 本研究は, DKLをベースとしたサロゲートモデルにおいて, GAの生成能を両立させ, 新しい候補を創出するアプローチを提案する。 本稿では,フェロSIMモデルの最適化によるこのアプローチの有効性を実証し,多様な課題に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.26716003713321473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploration of complex high-dimensional spaces presents significant challenges in fields such as molecular discovery, process optimization, and supply chain management. Genetic Algorithms (GAs), while offering significant power for creating new candidate spaces, often entail high computational demands due to the need for evaluation of each new proposed solution. On the other hand, Deep Kernel Learning (DKL) efficiently navigates the spaces of preselected candidate structures but lacks generative capabilities. This study introduces an approach that amalgamates the generative power of GAs to create new candidates with the efficiency of DKL-based surrogate models to rapidly ascertain the behavior of new candidate spaces. This DKL-GA framework can be further used to build Bayesian Optimization (BO) workflows. We demonstrate the effectiveness of this approach through the optimization of the FerroSIM model, showcasing its broad applicability to diverse challenges, including molecular discovery and battery charging optimization.
• Abstract（参考訳）: 複雑な高次元空間の探索は、分子発見、プロセス最適化、サプライチェーン管理といった分野における重要な課題を示す。 遺伝的アルゴリズム(GA)は、新しい候補空間を作成するための大きなパワーを提供するが、新しい提案された各ソリューションの評価を必要とするため、しばしば高い計算要求を伴う。 一方、Deep Kernel Learning(DKL)は、選択された候補構造の空間を効率的にナビゲートするが、生成能力に欠ける。 本研究では,新しい候補空間の挙動を迅速に把握するために,DKLに基づく代理モデルの効率性を持つ新しい候補を生成するために,GAの生成力を両立させるアプローチを提案する。 このDKL-GAフレームワークは、ベイズ最適化(BO)ワークフローを構築するためにさらに使用できる。 本稿では,フェロSIMモデルの最適化による本手法の有効性を実証し,分子発見や電池充電の最適化など多種多様な課題に適用可能であることを示す。

関連論文リスト

• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• Faster Optimal Coalition Structure Generation via Offline Coalition Selection and Graph-Based Search [61.08720171136229]
  本稿では,3つの革新的手法のハイブリッド化に基づく問題に対する新しいアルゴリズムSMARTを提案する。 これらの2つの手法は動的プログラミングに基づいており、評価のために選択された連立関係とアルゴリズムの性能の強力な関係を示す。 我々の手法は、問題にアプローチする新しい方法と、その分野に新しいレベルの精度をもたらす。
  論文  参考訳（メタデータ） (2024-07-22T23:24:03Z)
• Localized Zeroth-Order Prompt Optimization [54.964765668688806]
  そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。 注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
  論文  参考訳（メタデータ） (2024-03-05T14:18:15Z)
• RTDK-BO: High Dimensional Bayesian Optimization with Reinforced Transformer Deep kernels [39.53062980223013]
  近年のDeep Kernel Learning(DKL)とアテンションベースのTransformerモデルを組み合わせることで,GPサロゲートのモデリング能力とメタラーニングを改善する。 本稿では,DKLに注意機構を組み込んだメタラーニングBOサロゲートの改良手法を提案する。 このトランスフォーマーディープカーネルと、継続的ソフトアクター・クリティカル強化学習で訓練された学習的獲得関数を組み合わせることで、探索を支援します。
  論文  参考訳（メタデータ） (2023-10-05T21:37:20Z)
• A new derivative-free optimization method: Gaussian Crunching Search [0.0]
  我々はGaussian Crunching Search (GCS)と呼ばれる新しい最適化手法を提案する。 ガウス分布の粒子の挙動にインスパイアされたGCSは、解空間を効率的に探索し、大域的最適に向かって収束することを目的としている。 本研究は,最適化に関心のある研究者,実践者,学生にとって貴重な資料である。
  論文  参考訳（メタデータ） (2023-07-24T16:17:53Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• Accelerating Bayesian Optimization for Biological Sequence Design with Denoising Autoencoders [28.550684606186884]
  我々は,識別可能なマルチタスクガウスプロセスヘッドを用いて,デノナイズドオートエンコーダを共同で訓練する手法を開発した。 我々はZINCデータセットに基づく小分子上でLaMBOを評価し,蛍光タンパク質をターゲットとした新しい大規模分子タスクを導入する。
  論文  参考訳（メタデータ） (2022-03-23T21:58:45Z)
• Surrogate-Based Black-Box Optimization Method for Costly Molecular Properties [0.0]
  本稿では,サロゲートをベースとしたブラックボックス最適化手法を提案する。 提案手法は, 純粋にメタヒューリスティックなアプローチよりもはるかに高速に, 利害関係のコスト特性を最適化できることを示す。
  論文  参考訳（メタデータ） (2021-10-01T15:28:15Z)
• JANUS: Parallel Tempered Genetic Algorithm Guided by Deep Neural Networks for Inverse Molecular Design [1.6114012813668934]
  逆分子設計、すなわち特定の目的特性を持つ分子を設計することは最適化問題として考えられる。 ジャヌス (Janus) は、2つの個体群を伝播させ、もう1つは探索用、もう1つは搾取用の遺伝的アルゴリズムである。 Janusは、化学空間のサンプリングを増強するために能動的学習を通じて分子特性を近似するディープニューラルネットワークによって強化される。
  論文  参考訳（メタデータ） (2021-06-07T23:41:34Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

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。