論文の概要: Multi-stage Bayesian optimisation for dynamic decision-making in self-driving labs
- arxiv url: http://arxiv.org/abs/2512.15483v1
- Date: Wed, 17 Dec 2025 14:35:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-18 17:06:27.025581
- Title: Multi-stage Bayesian optimisation for dynamic decision-making in self-driving labs
- Title（参考訳）: 自動運転ラボにおける動的意思決定のための多段階ベイズ最適化
- Authors: Luca Torresi, Pascal Friederich,
- Abstract要約: 自動運転ラボ(SDL)は、ロボット工学、自動化、機械学習に基づくデータ分析と意思決定における最近の技術進歩を組み合わせている。
我々は,多段階実験の柔軟なサンプリングを可能にするベイズ最適化の拡張を導入する。
さまざまなシナリオにおいて、プロキシの測定が大幅に改善されていることが分かりました。
- 参考スコア（独自算出の注目度）: 3.0795668932789515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-driving laboratories (SDLs) are combining recent technological advances in robotics, automation, and machine learning based data analysis and decision-making to perform autonomous experimentation toward human-directed goals without requiring any direct human intervention. SDLs are successfully used in materials science, chemistry, and beyond, to optimise processes, materials, and devices in a systematic and data-efficient way. At present, the most widely used algorithm to identify the most informative next experiment is Bayesian optimisation. While relatively simple to apply to a wide range of optimisation problems, standard Bayesian optimisation relies on a fixed experimental workflow with a clear set of optimisation parameters and one or more measurable objective functions. This excludes the possibility of making on-the-fly decisions about changes in the planned sequence of operations and including intermediate measurements in the decision-making process. Therefore, many real-world experiments need to be adapted and simplified to be converted to the common setting in self-driving labs. In this paper, we introduce an extension to Bayesian optimisation that allows flexible sampling of multi-stage workflows and makes optimal decisions based on intermediate observables, which we call proxy measurements. We systematically compare the advantage of taking into account proxy measurements over conventional Bayesian optimisation, in which only the final measurement is observed. We find that over a wide range of scenarios, proxy measurements yield a substantial improvement, both in the time to find good solutions and in the overall optimality of found solutions. This not only paves the way to use more complex and thus more realistic experimental workflows in autonomous labs but also to smoothly combine simulations and experiments in the next generation of SDLs.
- Abstract（参考訳）: 自動運転研究所(SDL)は、ロボット工学、自動化、機械学習に基づくデータ分析と意思決定の最近の技術進歩を組み合わせて、直接の人間の介入を必要とせずに、人間指向の目標に向けた自律的な実験を行っている。
SDLは、物質科学、化学、その他の分野で成功し、プロセス、材料、デバイスを体系的でデータ効率のよい方法で最適化する。
現在最も広く使われているアルゴリズムはベイズ最適化である。
幅広い最適化問題に適用するのは比較的簡単であるが、標準的なベイズ最適化は、明確な最適化パラメータと1つ以上の測定可能な客観的関数を持つ固定された実験ワークフローに依存している。
これは、計画されたオペレーションのシーケンスの変更や、意思決定プロセスにおける中間的な測定を含む、オンザフライで決定する可能性を排除します。
したがって、多くの実世界の実験を適応し、単純化して、自動運転ラボの一般的な環境に転換する必要がある。
本稿では,多段階ワークフローのフレキシブルサンプリングを可能にするベイズ最適化の拡張を提案する。
従来のベイズ最適化と比較して,最終測定のみを観測するプロキシ測定の利点を体系的に比較した。
さまざまなシナリオにおいて、プロキシの測定は、優れたソリューションを見つけるための時間と、見いだされたソリューションの全体的な最適性の両方において、大幅な改善をもたらすことが分かっています。
これは、より複雑で現実的な実験ワークフローを自律的な研究室で使用するだけでなく、次世代のSDLでシミュレーションと実験をスムーズに組み合わせるための道を開く。
関連論文リスト
- Direct Regret Optimization in Bayesian Optimization [10.705151736050967]
本稿では,最適モデルと非明視的獲得を共同で学習する,新たな直訳最適化手法を提案する。
提案手法はBOベースラインを一貫して上回り,より単純な後悔を減らし,より堅牢な探索を示す。
論文 参考訳（メタデータ） (2025-07-09T04:09:58Z) - Is Diversity All You Need for Scalable Robotic Manipulation? [50.747150672933316]
ロボット学習におけるデータ多様性の役割について,従来の「より多様な方がよい」という直観に固執する3つの重要な次元(タスク),実施形態(ロボットの使用方法),専門家(専門家)を用いて検討する。
タスクの多様性は、タスクごとのデモンストレーション量よりも重要であり、多様な事前学習タスクから新しい下流シナリオへの移行に有効であることを示す。
本稿では,速度のあいまいさを緩和する分散デバイアス法を提案する。GO-1-Proは,2.5倍の事前学習データを用いて,15%の性能向上を実現している。
論文 参考訳（メタデータ） (2025-07-08T17:52:44Z) - The Power of the Pareto Front: Balancing Uncertain Rewards for Adaptive Experimentation in scanning probe microscopy [3.828556515394516]
我々はMOBOが走査型プローブ顕微鏡(SPM)イメージングパラメーターを最適化し、測定品質と効率を向上できることを示す。
MOBOはヒューマン・イン・ザ・ループによる意思決定のための自然なフレームワークを提供しており、研究者はドメインの専門知識に基づいて実験的なトレードオフを微調整できる。
論文 参考訳（メタデータ） (2025-04-09T01:59:31Z) - From Automation to Autonomy in Smart Manufacturing: A Bayesian Optimization Framework for Modeling Multi-Objective Experimentation and Sequential Decision Making [3.6811136816751513]
現在の発見アプローチは、しばしば遅いため、最適な組み合わせを見つけるために多くの試行が必要である。
本稿では,製造の進展に応じて実験をインテリジェントに選択できるベイズ的多目的意思決定フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-05T18:21:20Z) - ToolACE-R: Model-aware Iterative Training and Adaptive Refinement for Tool Learning [84.69651852838794]
ツール学習により、LLM(Large Language Models)は複雑なユーザタスクを解決するための外部ツールを活用することができる。
本稿では,ツール学習のための反復学習と適応的洗練の両方を含む新しいフレームワークであるToolACE-Rを提案する。
我々は、いくつかのベンチマークデータセットにわたる広範な実験を行い、ToolACE-Rが高度なAPIベースのモデルと比較して、競争力のあるパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2025-04-02T06:38:56Z) - 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) - Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology [0.4999814847776097]
量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。
量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。
粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
論文 参考訳（メタデータ） (2023-12-28T12:04:15Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - Practical Policy Optimization with Personalized Experimentation [7.928781593773402]
ユーザレベルでの治療グループ割り当てを最適化するパーソナライズされた実験フレームワークを提案する。
実際に成功したことが証明され、オープンソースソフトウェアを使って簡単に実装できるエンドツーエンドワークフローについて説明する。
論文 参考訳（メタデータ） (2023-03-30T18:25:11Z) - Bayesian Optimization and Deep Learning forsteering wheel angle
prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。
BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文 参考訳（メタデータ） (2021-10-22T15:25:14Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳（メタデータ） (2020-11-05T18:43:59Z)
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。