論文の概要: Cost-Aware Recovery-Pathway Identification and Bayesian Optimization for Autonomous Materials Discovery

• arxiv url: http://arxiv.org/abs/2607.23896v1
• Date: Sun, 26 Jul 2026 23:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.263012
• Title: Cost-Aware Recovery-Pathway Identification and Bayesian Optimization for Autonomous Materials Discovery
• Title（参考訳）: コスト・アウェア・リカバリ-パスウェイ同定と自動材料発見のためのベイズ最適化
• Abstract要約: 離散経路同定段階と連続経路内最適化段階とで逐次決定問題を定式化する。 当社の実装であるコアクティブラーニング(Coactive Learning)は,EC2に動機づけられたベイズ的仮説識別政策を組み合わせたものである。 我々は,PNNLのCICERO選択沈降実験において,選択された結果によって制約された合成ベンチマークの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous laboratories automate experimental execution, but a campaign must also decide which recovery pathway merits optimization. We formulate this as a sequential decision problem with a discrete pathway-identification stage and a continuous within-pathway optimization stage under heterogeneous experimental costs. Our implementation, Coactive learning, combines a cost-sensitive Bayesian hypothesis-discrimination policy motivated by EC2 (Golovin et al., 2010) with Gaussian-process Bayesian optimization (Srinivas et al., 2010). Under explicitly stated assumptions, the expected spend of one fixed-budget campaign attempt is bounded by the expected pathway-identification cost plus the capped within-pathway optimization budget. We evaluate the method on synthetic benchmarks constrained by selected results reported for PNNL's CICERO selective-precipitation study (Ritchhart et al., 2026). The method performs comparably to an oracle-pathway Bayesian-optimization reference and to a strong split-plate baseline that discriminates pathways with its first plate, without receiving an oracle label for the correct pathway. It is given a candidate hypothesis space and a diagnostic likelihood model. On an NdFeB-inspired instance, it avoids the simulated penalty of a commit-first baseline that initially selects a plausible but inferior hydroxide pathway. This hypothetical wrong-first-commitment scenario is motivated by the hydroxide-oxalate performance contrast reported by CICERO. We characterize the sensitivity of these conclusions to the assumed cost model. The code and benchmark are open source.
• Abstract（参考訳）: 自律的な研究室は、実験的な実行を自動化するが、どの回復経路が最適化に値するかを、キャンペーンが決定する必要がある。 我々はこれを、離散経路同定段階と連続経路内最適化段階を不均一な実験コストで逐次決定問題として定式化する。 本実装では,EC2(Golovin et al , 2010)とガウス過程のベイズ最適化(Srinivas et al , 2010)により動機付けられたコスト感受性のベイズ的仮説識別政策を併用する。 明確に述べられている前提の下では、1つの固定予算キャンペーンの試みの期待される費用は、期待される経路識別コストと、制限された経路内最適化予算によって制限される。 我々は,PNNLのCICERO選択沈殿研究(Ritchhart et al , 2026)で報告された選択結果に制約された合成ベンチマークについて評価を行った。 本発明の方法は、オラクルパスウェイベイズ最適化基準と、正しい経路のオラクルラベルを受信することなく、その第1プレートで経路を識別する強力な分割プレートベースラインとを両立させる。 候補仮説空間と診断可能性モデルが与えられる。 NdFeBにインスパイアされたインスタンスでは、最初は可溶性だが劣性な水酸化物経路を選択するコミットファーストベースラインのシミュレートを避ける。 この仮説上のミスファーストコミットのシナリオは、CICEROが報告した水酸化物-酸化還元性能のコントラストによって動機付けられている。 これらの結論の感度を推定コストモデルに特徴付ける。 コードとベンチマークはオープンソースである。

関連論文リスト

• Eigenvalue-Decomposition Cost Denoising as an Alternative to Predict-then-Optimize for Shortest-Path Problems [0.0]
  具体的だが一般的な設定に対して,構造的に異なる治療法を提案し,評価する。 意思決定者が同じコストプロセスの多くのノイズを観測すると、実現されたコスト自体をノイズ信号として扱うことができる。 k=2$の固有ベクトルしか持たず、実際の信号を破棄し、ノイズの多いコストベースラインでさえ過小評価する。
  論文  参考訳（メタデータ） (2026-09-14T06:41:25Z)
• DARTS: Targeting Prognostic Covariates in Budget-Constrained Sequential Experiments [47.61857875238484]
  我々はトンプソンサンプリング(DARTS)による動的適応的ランダム化を導入する。 DARTSは、共変量取得を設計に基づく因果推論タスクに埋め込まれた逐次最適化問題として扱う。 我々は,最小限の値と対数的因子とを一致させる獲得層に対してベイズリスクを導出する。
  論文  参考訳（メタデータ） (2026-05-07T17:27:51Z)
• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• Additive Distributionally Robust Ranking and Selection [0.8283940114367679]
  そこで本研究では,$k + m - 1$の事前仮説クリティカルシナリオのみをサンプリングすることを目的とした,単純な加算割当(AA)手順を提案する。 AAが一貫したものであり、驚くべきことに、最も強い意味で付加性を達成することを証明します。 結果は、DRR&Sの加法構造に対する新しい、そして反直観的な洞察を与える。
  論文  参考訳（メタデータ） (2025-09-07T17:36:29Z)
• $i$REPO: $i$mplicit Reward Pairwise Difference based Empirical Preference Optimization [12.266207199002604]
  大規模言語モデル(LLM)は、人間の期待から外れた出力を生成することがある。 経験的選好最適化に暗黙的逆差分回帰を利用する,$i$REPO という新しいフレームワークを提案する。 i$REPOは, ソフトラベル, 自己生成応答, 経験的AIアノテータのロジットを用いて, 効果的に自己アライメントを実現することを示す。
  論文  参考訳（メタデータ） (2024-05-24T05:42:11Z)
• Automatic Outlier Rectification via Optimal Transport [7.421153752627664]
  コンケーブコスト関数を用いた最適輸送を用いた外乱検出のための新しい概念的枠組みを提案する。 コンケーブコスト関数を用いて最適な輸送距離を利用するための第一歩を踏み出し、修正セットを構築する。 次に、推定タスクを実行するための修正セット内での最適分布を選択する。
  論文  参考訳（メタデータ） (2024-03-21T01:30:24Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Self-Evaluation Guided Beam Search for Reasoning [61.523627290397556]
  我々は,Large Language Model (LLM) の推論プロセスのガイドと校正を行うための段階的自己評価機構を導入する。 本稿では,ビームサーチによる自己評価ガイダンスを統合した復号アルゴリズムを提案する。 我々のアプローチは、GSM8K、AQuA、StrategyQAにおいて、対応するCodexバックボンドベースラインをわずかに精度6.34%、9.56%、および5.46%で上回る。
  論文  参考訳（メタデータ） (2023-05-01T02:37:59Z)

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。