論文の概要: Honegumi: An Interface for Accelerating the Adoption of Bayesian Optimization in the Experimental Sciences

• arxiv url: http://arxiv.org/abs/2502.06815v1
• Date: Tue, 04 Feb 2025 23:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-16 04:05:49.809795
• Title: Honegumi: An Interface for Accelerating the Adoption of Bayesian Optimization in the Experimental Sciences
• Title（参考訳）: 実験科学におけるベイズ最適化の導入促進のためのインタフェース
• Authors: Sterling G. Baird, Andrew R. Falkowski, Taylor D. Sparks,
• Abstract要約: 先進的なベイズ最適化スクリプトの作成プロセスを簡単にするための,ユーザフレンドリでインタラクティブなツールであるHonegumiを紹介した。 Honegumiは動的選択グリッドを提供しており、ユーザーは最適化タスクのキーパラメータを設定でき、使える単体テストのPythonスクリプトを生成する。 インターフェースの添付は、概念的および実践的なガイダンスを提供するチュートリアルの包括的スイートである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Bayesian optimization (BO) has emerged as a powerful tool for guiding experimental design and decision- making in various scientific fields, including materials science, chemistry, and biology. However, despite its growing popularity, the complexity of existing BO libraries and the steep learning curve associated with them can deter researchers who are not well-versed in machine learning or programming. To address this barrier, we introduce Honegumi, a user-friendly, interactive tool designed to simplify the process of creating advanced Bayesian optimization scripts. Honegumi offers a dynamic selection grid that allows users to configure key parameters of their optimization tasks, generating ready-to-use, unit-tested Python scripts tailored to their specific needs. Accompanying the interface is a comprehensive suite of tutorials that provide both conceptual and practical guidance, bridging the gap between theoretical understanding and practical implementation. Built on top of the Ax platform, Honegumi leverages the power of existing state-of-the-art libraries while restructuring the user experience to make advanced BO techniques more accessible to experimental researchers. By lowering the barrier to entry and providing educational resources, Honegumi aims to accelerate the adoption of advanced Bayesian optimization methods across various domains.
• Abstract（参考訳）: ベイズ最適化(BO)は、材料科学、化学、生物学など様々な科学分野において、実験設計と意思決定を導く強力なツールとして登場した。 しかし、人気が高まっているにもかかわらず、既存のBOライブラリの複雑さとそれらに関連する急激な学習曲線は、機械学習やプログラミングに精通していない研究者を抑えることができる。 この障壁に対処するために,先進的なベイズ最適化スクリプトの作成プロセスの簡略化を目的とした,ユーザフレンドリでインタラクティブなツールであるHonegumiを紹介した。 Honegumiは動的選択グリッドを提供しており、ユーザーは最適化タスクのキーパラメータを設定でき、特定のニーズに合わせて準備が整った単体テストのPythonスクリプトを生成する。 インターフェースは、概念的および実践的なガイダンスを提供し、理論的理解と実践的実装のギャップを埋める包括的なチュートリアルスイートである。 Axプラットフォーム上に構築されたHonegumiは、既存の最先端ライブラリのパワーを活用しながら、ユーザエクスペリエンスを再構築して、高度なBO技術をより実験的な研究者が利用できるようにする。 参入障壁を低くし、教育資源を提供することで、諸藩にまたがる先進的なベイズ最適化手法の採用を加速することを目指す。

関連論文リスト

• VISION: A Modular AI Assistant for Natural Human-Instrument Interaction at Scientific User Facilities [0.19736111241221438]
  生成AIは、この知識ギャップを埋める機会を提供する。 仮想科学コンパニオン(VISION)のためのモジュラーアーキテクチャを提案する。 VISIONでは低レイテンシでビームラインワークステーション上でLLMベースの動作を行い、X線散乱ビームラインで最初の音声制御実験を行った。
  論文  参考訳（メタデータ） (2024-12-24T04:37:07Z)
• Inference Optimization of Foundation Models on AI Accelerators [68.24450520773688]
  トランスフォーマーアーキテクチャを備えた大規模言語モデル(LLM)を含む強力な基礎モデルは、ジェネレーティブAIの新たな時代を支えている。 モデルパラメータの数が数十億に達すると、実際のシナリオにおける推論コストと高いレイテンシーが排除される。 このチュートリアルでは、AIアクセラレータを用いた補完推論最適化テクニックに関する包括的な議論を行っている。
  論文  参考訳（メタデータ） (2024-07-12T09:24:34Z)
• A survey and benchmark of high-dimensional Bayesian optimization of discrete sequences [12.248793682283964]
  個々のブラックボックス機能を最適化することは、タンパク質工学や薬物設計など、いくつかの領域において重要である。 我々は,高次元ベイズ最適化手法と標準化されたブラックボックス関数の集合を幅広くテストするための統一的なフレームワークを開発する。 これらのベンチマークの2つのコンポーネントはそれぞれ、柔軟でスケーラブルで容易に拡張可能なソフトウェアライブラリによってサポートされています。
  論文  参考訳（メタデータ） (2024-06-07T08:39:40Z)
• 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)
• Bayesian optimization with known experimental and design constraints for chemistry applications [0.0]
  実験計画アルゴリズムであるPhoenicsとGryffinを拡張して、任意の制約を扱えるようにします。 2つのシミュレーション化学研究シナリオでその実用性を解説する。
  論文  参考訳（メタデータ） (2022-03-29T22:16:54Z)
• Visual-Language Navigation Pretraining via Prompt-based Environmental Self-exploration [83.96729205383501]
  本稿では,言語埋め込みの高速適応を実現するために,プロンプトベースの学習を導入する。 我々のモデルは、VLNやREVERIEを含む多様な視覚言語ナビゲーションタスクに適応することができる。
  論文  参考訳（メタデータ） (2022-03-08T11:01:24Z)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• Incorporating Expert Prior Knowledge into Experimental Design via Posterior Sampling [58.56638141701966]
  実験者は、グローバルな最適な場所に関する知識を得ることができる。 グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。 効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
  論文  参考訳（メタデータ） (2020-02-26T01:57:36Z)
• PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
  PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。 これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
  論文  参考訳（メタデータ） (2020-02-13T10:33:05Z)

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。