論文の概要: Active Learning Guided Design Space Refinement for Scalable Multi-Objective Bayesian Optimization in Materials Discovery

• arxiv url: http://arxiv.org/abs/2608.04651v1
• Date: Wed, 05 Aug 2026 10:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.818326
• Title: Active Learning Guided Design Space Refinement for Scalable Multi-Objective Bayesian Optimization in Materials Discovery
• Title（参考訳）: 材料発見におけるスケーラブルな多目的ベイズ最適化のためのアクティブラーニングガイド設計空間の再構築
• Authors: Alexandros Ntagiantas, Panagiotis Tsilimidos, George Giannakopoulos, Christoforos Rekatsinas, Panagiotis Krokidas,
• Abstract要約: 本稿では,教材最適化を高速化する能動学習(AL)誘導型適応型検索空間改良フレームワークを提案する。 共分散有機組織におけるCH4/N2分離のアプローチと材料指向応力成分と厚み目標を用いた圧力容器設計について検討した。 その結果、AL誘導による改良により候補空間は約半減し、元の超体積の99%以上を保存できた。
• 参考スコア（独自算出の注目度）: 37.63700249053681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advanced materials discovery increasingly relies on machine learning and Bayesian optimization to explore large discrete design spaces under limited evaluation budgets. However, conventional Bayesian optimization (BO) can become inefficient as candidate spaces grow, often evaluating low-value regions before reaching informative areas. We propose an active-learning (AL)-guided adaptive search-space refinement framework combined with multi-objective BO to accelerate materials optimization while preserving Pareto-relevant regions. We evaluate the approach on CH4/N2 separation in covalent-organic frameworks and pressure-vessel design with material-direction stress components and thickness objectives. Results show that the AL-guided refinement reduces the candidate space by approximately half while preserving more than 99 percent of the original hypervolume. The reduced-space strategy improves early convergence and cumulative Pareto-front discovery from the BO, demonstrating efficient large-scale materials optimization across constrained autonomous materials discovery settings.
• Abstract（参考訳）: 高度な材料発見は、限られた評価予算の下で大きな離散設計空間を探索する機械学習とベイズ最適化にますます依存している。 しかし、従来のベイズ最適化(BO)は、候補空間が大きくなるにつれて非効率になり、しばしば情報領域に到達する前に低値領域を評価する。 本研究では,多目的BOと組み合わせた能動学習(AL)誘導型適応型検索空間改良フレームワークを提案する。 共分散有機組織におけるCH4/N2分離のアプローチと材料指向応力成分と厚み目標を用いた圧力容器設計について検討した。 その結果、AL誘導による改良により候補空間は約半減し、元の超体積の99%以上を保存できた。 縮小空間戦略は、BOからの早期収束と累積的パレートフロント発見を改善し、制約された自律材料発見設定全体にわたって効率的な大規模材料最適化を実証する。

関連論文リスト

• HiBBO: HiPPO-based Space Consistency for High-dimensional Bayesian Optimisation [23.518990631999884]
  HiBBO は、HiPPO を用いた VAE の潜在空間構築に空間整合性を導入する新しい BO フレームワークである。 高次元のベンチマークタスクの実験は、HiBBOが既存のVAEBO法よりも収束速度と解の質で優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-10T03:22:10Z)
• Interpretable SHAP-bounded Bayesian Optimization for Underwater Acoustic Metamaterial Coating Design [0.0]
  我々は水中音響コーティングを最適化するための解釈可能性情報ベイズ最適化フレームワークを開発した。 目的関数に影響を及ぼす重要なパラメータを特定し,これらのパラメータが吸音に与える影響について考察した。 提案手法は, 硬度が異なる2つのポリウレタン材料に適用した。
  論文  参考訳（メタデータ） (2025-05-10T05:33:43Z)
• Breaking the Frozen Subspace: Importance Sampling for Low-Rank Optimization in LLM Pretraining [43.39070237124361]
  低ランク最適化は、大きな言語モデルのメモリ効率のトレーニングを可能にするための有望なアプローチである。 これらの手法の鍵となる課題は、効果的な軌道を確保するために適切な部分空間を選択することである。 本稿では,LLMプリトレーニングにおける低ランク最適化のための重要サンプリングについて提案する。
  論文  参考訳（メタデータ） (2025-02-09T06:30:19Z)
• 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)
• Advancing Bayesian Optimization via Learning Correlated Latent Space [15.783344085533187]
  本稿では,コラーレント空間ベイズ最適化(CoBO)を提案する。 具体的には, リプシッツ正則化, 損失重み付け, 信頼領域再コーディネートを導入し, 期待する領域の内在的なギャップを最小化する。 本稿では,分子設計や算術式整合など,離散データにおけるいくつかの最適化タスクに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-31T08:24:41Z)
• 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)
• Fast Bayesian Optimization of Needle-in-a-Haystack Problems using Zooming Memory-Based Initialization [73.96101108943986]
  Needle-in-a-Haystack問題は、データセットのサイズに対して最適な条件が極端に不均衡であるときに発生する。 本稿では,従来のベイズ最適化原理に基づくズームメモリに基づく初期化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-26T23:57:41Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)

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。