論文の概要: Human-in-the-Loop Meta Bayesian Optimization for Fusion Energy and Scientific Applications

• arxiv url: http://arxiv.org/abs/2605.00068v1
• Date: Thu, 30 Apr 2026 10:06:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.668611
• Title: Human-in-the-Loop Meta Bayesian Optimization for Fusion Energy and Scientific Applications
• Title（参考訳）: 核融合エネルギーのためのヒト・イン・ザ・ループメタベイズ最適化と科学応用
• Authors: Ricardo Luna Gutierrez, Sahand Ghorbanpour, Ejaz Rahman, Varchas Gopalaswamy, Riccardo Betti, Vineet Gundecha, Aarne Lees, Soumyendu Sarkar,
• Abstract要約: 慣性閉じ込め核融合は、持続的でほぼ無限のクリーンエネルギーに対する変革的な約束を持っている。 HL-MBOは、専門家の知識を、少数ショットで不確実性を認識した機械学習と統合し、データスカースで高度な科学領域の発見を加速する。
• 参考スコア（独自算出の注目度）: 9.911858437057594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inertial Confinement Fusion (ICF) holds transformative promise for sustainable, near-limitless clean energy, yet remains constrained by prohibitively high costs and limited experimental opportunities. This paper presents Human-in-the-Loop Meta Bayesian Optimization (HL-MBO), a framework that integrates expert knowledge with few-shot, uncertainty-aware machine learning to accelerate discovery in data-scarce, high-stakes scientific domains. HL-MBO introduces a meta-learned surrogate model with an expert-informed acquisition function to recommend candidate experiments. To foster trust and enable informed decisions, HL-MBO also provides interpretable explanations of its suggestions. We show HL-MBO outperforms current BO methods on ICF energy yield optimization, as well as benchmarks in molecular optimization and critical temperature maximization for superconducting materials.
• Abstract（参考訳）: 慣性閉じ込め核融合(ICF)は、持続的でほぼ無限のクリーンエネルギーに対する変革的な約束を保っているが、違法な高コストと限られた実験機会によって制約されている。 本稿では,ML-MBO(Human-in-the-Loop Meta Bayesian Optimization)を提案する。 HL-MBOはメタ学習型サロゲートモデルとエキスパートインフォームド獲得関数を導入し、候補実験を推奨する。 信頼を高め、情報的な決定を可能にするため、HL-MBOは提案の解釈可能な説明も提供する。 HL-MBOは, 超伝導材料の分子最適化と臨界温度最大化のベンチマークと同様に, ICFエネルギー収率最適化における現在のBO法よりも優れた性能を示す。

関連論文リスト

• Optimizing the Unknown: Black Box Bayesian Optimization with Energy-Based Model and Reinforcement Learning [42.508822373669936]
  Black-Box Optimization (BBO) は様々な科学・工学分野で成功を収めている。 本稿では,ガウス過程(GP)を統合したReinforced Energy-based Model for Bayesian Optimization (REBMBO)を提案する。 我々は、REBMBOの優れた性能を確認するために、合成および実世界のベンチマークに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2025-10-22T12:36:49Z)
• ChemBOMAS: Accelerated BO in Chemistry with LLM-Enhanced Multi-Agent System [72.63341091857959]
  本稿では,大規模言語モデル(LLM)によるベイズ最適化を高速化するマルチエージェントシステムであるChemBOMASを紹介する。 データ駆動型戦略は、わずか1%のラベル付きサンプルに微調整された8BスケールのLCMレジストレータを含む。 知識駆動型戦略では、検索空間の分割においてLLMを導くために、ハイブリッドなRetrieval-Augmented Generationアプローチを採用している。 ChemBOMASはベースライン方式に比べて最適化効率を最大5倍に向上させた。
  論文  参考訳（メタデータ） (2025-09-10T16:24:08Z)
• Self-Driving Laboratory Optimizes the Lower Critical Solution Temperature of Thermoresponsive Polymers [2.7000182834301687]
  我々は,ポリ(N-イソプロピルラクリルアミド)の低臨界溶液温度(LCST)を最適化するための低コストで「フルガルツイン」プラットフォームを開発した。 本システムでは, ロボット流体処理, オンラインセンサ, および多成分塩溶液空間をナビゲートし, ユーザが指定したLCST目標を達成するベイズ最適化(BO)を統合した。
  論文  参考訳（メタデータ） (2025-09-02T19:35:33Z)
• Reasoning BO: Enhancing Bayesian Optimization with Long-Context Reasoning Power of LLMs [14.58429044330196]
  本稿では、推論モデルを利用してBOのサンプリングプロセスを導出する新しいフレームワークであるReasoning BOを設計する。 推論BO(Reasoning BO)は、実証可能な科学的理論に基づく批判的な洞察とともに、リアルタイムサンプリングレコメンデーションを提供する。 合成数学関数と複素実世界の応用を含む10の多種多様なタスクにまたがるアプローチを評価する。
  論文  参考訳（メタデータ） (2025-05-19T08:20:40Z)
• 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)
• Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
  本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。 高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。 以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-06T11:44:06Z)
• Accelerating material discovery with a threshold-driven hybrid acquisition policy-based Bayesian optimization [4.021352247826289]
  本稿では,Threshold-Driven UCB-EI Bayesian Optimization (TDUE-BO)法を提案する。 物質発見過程を最適化するために、上信頼境界(UCB)と期待改善関数(EI)の強みを動的に統合する。 RMSEのスコアと収束効率の観点から,EI法とCB法を併用したBO法よりも高い近似と最適化性能を示した。
  論文  参考訳（メタデータ） (2023-11-16T06:02:48Z)
• 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)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。