論文の概要: Benchmarking Self-Driving Labs

• arxiv url: http://arxiv.org/abs/2508.06642v1
• Date: Fri, 08 Aug 2025 18:41:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.487566
• Title: Benchmarking Self-Driving Labs
• Title（参考訳）: 自動運転ラボのベンチマーク
• Authors: Adedire D. Adesiji, Jiashuo Wang, Cheng-Shu Kuo, Keith A. Brown,
• Abstract要約: 自動運転ラボ、あるいは機械学習を使って実験を選択して自動化して実行するシステムは、材料発見のペースを加速するために設計されている。 本稿では,SDLが学習を加速する度合いの理解の進歩を,目的達成に必要な実験回数をどの程度削減するかを定量化する。
• 参考スコア（独自算出の注目度）: 0.17186863539230335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key goal of modern materials science is accelerating the pace of materials discovery. Self-driving labs, or systems that select experiments using machine learning and then execute them using automation, are designed to fulfil this promise by performing experiments faster, more intelligently, more reliably, and with richer metadata than conventional means. This review summarizes progress in understanding the degree to which SDLs accelerate learning by quantifying how much they reduce the number of experiments required for a given goal. The review begins by summarizing the theory underlying two key metrics, namely acceleration factor AF and enhancement factor EF, which quantify how much faster and better an algorithm is relative to a reference strategy. Next, we provide a comprehensive review of the literature, which reveals a wide range of AFs with a median of 6, and that tends to increase with the dimensionality of the space, reflecting an interesting blessing of dimensionality. In contrast, reported EF values vary by over two orders of magnitude, although they consistently peak at 10-20 experiments per dimension. To understand these results, we perform a series of simulated Bayesian optimization campaigns that reveal how EF depends upon the statistical properties of the parameter space while AF depends on its complexity. Collectively, these results reinforce the motivation for using SDLs by revealing their value across a wide range of material parameter spaces and provide a common language for quantifying and understanding this acceleration.
• Abstract（参考訳）: 現代材料科学の重要な目標は、材料発見のペースを加速させることである。 自動運転ラボ、あるいは機械学習を使って実験を選択して、自動化を使ってそれらを実行するシステムは、従来の方法よりも高速で、よりインテリジェントで、より信頼性の高い、豊富なメタデータで実験を行うことによって、この約束を満たすように設計されている。 本稿では,SDLが学習を加速する度合いの理解の進歩を,目的達成に必要な実験回数をどの程度削減するかを定量化する。 このレビューは、アクセラレーション係数AF(英語版)とエンハンスメント係数EF(英語版)という、2つの主要な指標の根底にある理論を要約し、アルゴリズムが基準戦略と比較してどれだけ速く、より良くなっているかを定量化することから始まる。 次に、文献の包括的レビューを行い、中央値6の幅広いAFを明らかにし、空間の次元によって増加する傾向にあり、次元性の興味深い祝福を反映する。 対照的に、報告されたEF値は桁違いに異なるが、1次元あたり10～20の実験で常にピークに達する。 これらの結果を理解するために、我々は、EFがパラメータ空間の統計的性質に依存しているのに対して、AFはその複雑さに依存していることを示す一連のシミュレーションベイズ最適化キャンペーンを実行する。 これらの結果は,幅広いパラメータ空間にまたがる値を明らかにすることによって,SDLの使用動機を強化し,この加速度を定量化し,理解するための共通言語を提供する。

関連論文リスト

• Massive Values in Self-Attention Modules are the Key to Contextual Knowledge Understanding [58.364933651703524]
  注目クエリの特定の領域において、集中した巨大な値が一貫して現れることを示す。 これらの膨大な価値は文脈知識の解釈において重要な役割を担っている。 大量の値の出現を辿り、そのような濃度は回転位置によって引き起こされる。
  論文  参考訳（メタデータ） (2025-02-03T17:47:03Z)
• Leveraging Variation Theory in Counterfactual Data Augmentation for Optimized Active Learning [19.962212551963383]
  アクティブラーニング(AL)は、モデルがユーザフィードバックからインタラクティブに学習することを可能にする。 本稿では,ALに反実データ拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-08-07T14:55:04Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)
• Critical Parameters for Scalable Distributed Learning with Large Batches and Asynchronous Updates [67.19481956584465]
  飽和を伴う分散トレーニング(SGD)の効率は、バッチサイズと、実装における停滞に決定的に依存することが実験的に観察されている。 結果がタイトであることを示し、数値実験で重要な結果を示しています。
  論文  参考訳（メタデータ） (2021-03-03T12:08:23Z)

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。