論文の概要: Bayesian Optimization of Partially Known Systems using Hybrid Models

• arxiv url: http://arxiv.org/abs/2603.11199v1
• Date: Wed, 11 Mar 2026 18:13:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.570966
• Title: Bayesian Optimization of Partially Known Systems using Hybrid Models
• Title（参考訳）: ハイブリッドモデルを用いた部分既知のシステムのベイズ最適化
• Authors: Eike Cramer, Luis Kutschat, Oliver Stollenwerk, Joel A. Paulson, Alexander Mitsos,
• Abstract要約: 本稿では,BOの反復ベイズ学習と部分的に知られている力学物理モデルを組み合わせたハイブリッドモデルBOの定式化について述べる。 単一段蒸留のシリカ内最適化において, 質量保存法則に基づくハイブリッドBOモデルでは, 標準BOループよりもはるかに優れた設計が得られた。
• 参考スコア（独自算出の注目度）: 37.458438388741214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimization (BO) has gained attention as an efficient algorithm for black-box optimization of expensive-to-evaluate systems, where the BO algorithm iteratively queries the system and suggests new trials based on a probabilistic model fitted to previous samples. Still, the standard BO loop may require a prohibitively large number of experiments to converge to the optimum, especially for high-dimensional and nonlinear systems. We present a hybrid model-based BO formulation that combines the iterative Bayesian learning of BO with partially known mechanistic physical models. Instead of learning a direct mapping from inputs to the objective, we write all known equations for a physics-based model and infer expressions for variables missing equations using a probabilistic model, in our case, a Gaussian process (GP). The final formulation then includes the GP as a constraint in the hybrid model, thereby allowing other physics-based nonlinear and implicit model constraints. This hybrid model formulation yields a constrained, nonlinear stochastic program, which we discretize using the sample-average approximation. In an in-silico optimization of a single-stage distillation, the hybrid BO model based on mass conservation laws yields significantly better designs than a standard BO loop. Furthermore, the hybrid model converges in as few as one iteration, depending on the initial samples, whereas, the standard BO does not converge within 25 for any of the seeds. Overall, the proposed hybrid BO scheme presents a promising optimization method for partially known systems, leveraging the strengths of both mechanistic modeling and data-driven optimization.
• Abstract（参考訳）: ベイズ最適化(BO)は、コスト対評価システムのブラックボックス最適化のための効率的なアルゴリズムとして注目されており、BOアルゴリズムはシステムを反復的にクエリし、以前のサンプルに適合した確率モデルに基づく新しい試行を提案する。 それでも、標準BOループは、特に高次元および非線形系において、最適に収束するためには、非常に多くの実験を必要とするかもしれない。 本稿では,BOの反復ベイズ学習と部分的に知られている力学物理モデルを組み合わせたハイブリッドモデルBOの定式化について述べる。 入力から目的への直接写像を学習する代わりに、物理学に基づくモデルのための既知の方程式を全て記述し、確率的モデルを用いて変数不足方程式の式を推論する。 最終的な定式化は、GPをハイブリッドモデルの制約として含み、他の物理学ベースの非線形および暗黙のモデルの制約を可能にする。 このハイブリッドモデル定式化は、サンプル平均近似を用いて識別する制約付き非線形確率プログラムを生成する。 単一段蒸留のシリカ内最適化において, 質量保存法則に基づくハイブリッドBOモデルでは, 標準BOループよりもはるかに優れた設計が得られた。 さらに, 標準BOは, いずれかの種子に対して25の範囲内に収束しないのに対し, 初期試料に依存して, ハイブリッドモデルは1回の反復で収束する。 提案したハイブリッドBO方式は,機械的モデリングとデータ駆動最適化の両方の長所を生かして,部分的に既知のシステムに対して有望な最適化手法を提案する。

関連論文リスト

• Generative Bayesian Optimization: Generative Models as Acquisition Functions [13.375195089272685]
  本稿では、生成モデルをバッチ最適化(BO)のための候補解サンプリングに変換する戦略を提案する。 BOのための生成モデルを使用することで、大規模なバッチスケーリングを生成的サンプリング、非連続的な設計空間の最適化、高次元および高次元の設計を可能にする。
  論文  参考訳（メタデータ） (2025-10-29T07:42:25Z)
• Composition and Alignment of Diffusion Models using Constrained Learning [79.36736636241564]
  拡散モデルは、複雑な分布からサンプルを採取する能力により、生成的モデリングにおいて普及している。 i) 拡散モデルを微調整して報酬と整合させるアライメントと、(ii) 予め訓練された拡散モデルを組み合わせて、それぞれが生成した出力に望ましい属性を強調する合成である。 本稿では,共役モデルが報酬制約を満たすこと,あるいは(潜在的に複数の)事前学習モデルに近づき続けることを強制することによって,拡散モデルのアライメントと構成を統一する制約付き最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T15:06:30Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• An Iterative Bayesian Approach for System Identification based on Linear Gaussian Models [70.75865595489691]
  システム識別の問題に取り組み、入力を選択し、実際のシステムから対応する出力を観測し、データに最も合うようにモデルのパラメータを最適化する。 提案手法では,システムからの入力出力データとパラメータに関するモデルの1次情報のみを必要とする。
  論文  参考訳（メタデータ） (2025-01-28T01:57:51Z)
• Go With the Flow: Fast Diffusion for Gaussian Mixture Models [13.836464287004505]
  シュロディンガーブリッジ (Schrodinger Bridges, SBs) は、有限時間で操る拡散過程であり、与えられた初期分布を、適切なコスト関数を最小化する。 そこで本研究では,低次元の問題を解決するための一組の実行可能なポリシーの解析的パラメトリゼーションを提案する。 本稿では,オートエンコーダの空間における画像から潜時変換,マルチマージ運動量SBを用いた細胞動態の学習など,低次元問題におけるこのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2024-12-12T08:40:22Z)
• Simulation Based Bayesian Optimization [0.0]
  本稿では,獲得関数を最適化するための新しいアプローチとして,シミュレーションベースベイズ最適化(SBBO)を提案する。 GPは後続予測分布への解析的アクセスを提供するため、サロゲートモデルとして一般的に使用される。 本研究では,SBBOの有効性を種々の代理モデルを用いて実証的に実証する。
  論文  参考訳（メタデータ） (2024-01-19T16:56:11Z)
• Predictive Modeling through Hyper-Bayesian Optimization [60.586813904500595]
  本稿では,モデル選択とBOを統合する新しい手法を提案する。 このアルゴリズムは、モデル空間のBOと関数空間のBOの間を行き来する。 サンプル効率の改善に加えて、ブラックボックス機能に関する情報も出力する。
  論文  参考訳（メタデータ） (2023-08-01T04:46:58Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)

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。