論文の概要: Domain Knowledge Guided Bayesian Optimization For Autonomous Alignment Of Complex Scientific Instruments
- arxiv url: http://arxiv.org/abs/2602.10670v1
- Date: Wed, 11 Feb 2026 09:15:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.636307
- Title: Domain Knowledge Guided Bayesian Optimization For Autonomous Alignment Of Complex Scientific Instruments
- Title（参考訳）: 複雑な科学機器の自動アライメントのためのドメイン知識ガイドベイズ最適化
- Authors: Aashwin Mishra, Matt Seaberg, Ryan Roussel, Daniel Ratner, Apurva Mehta,
- Abstract要約: 本稿では,探索問題をシンプルにするために,物理的な洞察を活かしたベイズ最適化手法を提案する。
本稿では,12次元6結晶スプリット・アンド・レイ光学系における本手法の有効性を実証する。
実測値を利用して高次元の結合最適化問題をより単純な表現に変換することにより、迅速かつ堅牢な自動チューニングが可能となる。
- 参考スコア（独自算出の注目度）: 0.44654729785785796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian Optimization (BO) is a powerful tool for optimizing complex non-linear systems. However, its performance degrades in high-dimensional problems with tightly coupled parameters and highly asymmetric objective landscapes, where rewards are sparse. In such needle-in-a-haystack scenarios, even advanced methods like trust-region BO (TurBO) often lead to unsatisfactory results. We propose a domain knowledge guided Bayesian Optimization approach, which leverages physical insight to fundamentally simplify the search problem by transforming coordinates to decouple input features and align the active subspaces with the primary search axes. We demonstrate this approach's efficacy on a challenging 12-dimensional, 6-crystal Split-and-Delay optical system, where conventional approaches, including standard BO, TuRBO and multi-objective BO, consistently led to unsatisfactory results. When combined with an reverse annealing exploration strategy, this approach reliably converges to the global optimum. The coordinate transformation itself is the key to this success, significantly accelerating the search by aligning input co-ordinate axes with the problem's active subspaces. As increasingly complex scientific instruments, from large telescopes to new spectrometers at X-ray Free Electron Lasers are deployed, the demand for robust high-dimensional optimization grows. Our results demonstrate a generalizable paradigm: leveraging physical insight to transform high-dimensional, coupled optimization problems into simpler representations can enable rapid and robust automated tuning for consistent high performance while still retaining current optimization algorithms.
- Abstract（参考訳）: ベイズ最適化(BO)は複雑な非線形システムを最適化するための強力なツールである。
しかし、その性能は、厳密な結合パラメータと報酬が希薄な高度非対称な客観的景観を持つ高次元問題において劣化する。
このようなニードル・イン・ア・ヘイスタックのシナリオでは、信頼領域BO(TurBO)のような先進的な手法でさえ、しばしば満足のいく結果をもたらす。
本稿では,座標を変換して入力特徴を分離し,活性部分空間を一次探索軸に整列させることにより,物理的洞察を利用して探索問題を根本的に単純化するドメイン知識誘導ベイズ最適化手法を提案する。
提案手法の有効性を,標準BO,TuRBO,多目的BOなどの従来手法が一貫して不満足な結果をもたらす,12次元6結晶スプリット・アンド・レイ光学系上で実証する。
逆アニール探索戦略と組み合わせると、この手法はグローバルな最適条件に確実に収束する。
座標変換自体がこの成功の鍵であり、入力座標軸を問題の活性部分空間と整列させることによって探索を著しく加速する。
大きな望遠鏡からX線自由電子レーザーの新しい分光器まで、ますます複雑な科学機器が配備されるにつれて、堅牢な高次元最適化の需要が高まっている。
実測値を利用して高次元の結合最適化問題をより単純な表現に変換することにより、一貫した高速な自動チューニングを実現するとともに、現在の最適化アルゴリズムを維持しながら、一貫した高速な自動チューニングを実現することができる。
関連論文リスト
- Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
本稿では,新たな因果発見パイプラインであるALVGLを提案する。
ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。
ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2026-01-09T02:18:59Z) - Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。
既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。
本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
論文 参考訳（メタデータ） (2025-12-28T05:48:55Z) - HiLAB: A Hybrid Inverse-Design Framework [0.0]
HiLABはナノフォトニック構造の逆設計のための新しいパラダイムである。
シミュレーションコストを削減した多様なフリーフォーム構成を生成することで、多機能デバイス設計に対処する。
論文 参考訳（メタデータ） (2025-05-23T05:34:56Z) - SCORE: A 1D Reparameterization Technique to Break Bayesian Optimization's Curse of Dimensionality [0.0]
この呪文を破り、高次元景観におけるBOの線形時間複雑性を維持するための1次元再パラメータ化手法が提案されている。
SCOREと呼ばれるこの高速でスケーラブルなアプローチは、大域的に最小のニードル・ア・ヘイスタック最適化関数を見つけることができる。
論文 参考訳（メタデータ） (2024-06-18T14:28:29Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - Scalable Bayesian optimization with high-dimensional outputs using
randomized prior networks [3.0468934705223774]
本稿では,確率化された先行するニューラルネットワークの自己ストラップ型アンサンブルに基づくBOとシーケンシャル意思決定のためのディープラーニングフレームワークを提案する。
提案手法は,高次元ベクトル空間や無限次元関数空間の値を取る場合においても,設計変数と関心量の関数的関係を近似することができることを示す。
提案手法をBOの最先端手法に対して検証し,高次元出力の課題に対して優れた性能を示す。
論文 参考訳（メタデータ） (2023-02-14T18:55:21Z) - A Unified Framework of Bundle Adjustment and Feature Matching for
High-Resolution Satellite Images [4.835738511987696]
この記事では、統合フレームワークにおけるバンドル調整(BA)と機能マッチングを包括的に実施する。
マルチビュー高解像度衛星画像の実験により,提案手法は最先端の配向技術より優れていることが示された。
論文 参考訳（メタデータ） (2021-07-01T16:40:25Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z)
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。