論文の概要: Decision-Focused Active Learning for Scale-Aware Critical-Materials Recovery
- arxiv url: http://arxiv.org/abs/2609.09413v1
- Date: Tue, 08 Sep 2026 20:10:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.806981
- Title: Decision-Focused Active Learning for Scale-Aware Critical-Materials Recovery
- Title（参考訳）: 大規模クリティカル・マテリアル・リカバリのための意思決定型アクティブ・ラーニング
- Authors: Niranjan Srinivas, Debajyoti Ray, Elias Nakouzi,
- Abstract要約: 我々は太平洋岸北西部国立研究所のコンピュータ・インテリジェンス・フォー・クリティカル・エレメント・リカバリと最適化のワークフローから記録を分析した。
アクティブな学習は実験を選択するために事前の結果を使用する。
我々は、下流ベイズリスクの低減を期待して、バッチを選択することを提案する。
- 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: Choosing a recovery process for scale-up requires connecting laboratory results with product requirements, process costs, and scale effects. We analyze records from Pacific Northwest National Laboratory's Computer Intelligence for Critical Element Recovery and Optimization (CICERO) workflow for autonomous selective precipitation. Active learning uses prior results to choose experiments. In a conditional retrospective benchmark with fitted models and recycled neodymium-iron-boron (NdFeB) magnet records, active learning finds the best recorded result with fewer experiments than nonadaptive space filling. Enrichment is the selected rare-earth-to-iron ratio relative to that in the feed. Adaptive policies reach the recorded enrichment maximum by 16 to 24 wells (individual experiments), versus 48. Our two-stage reconstruction ties two adaptive alternatives at 16 wells. Conditional analyses of recycled samarium-cobalt (SmCo) magnets show a Round 2 tradeoff between purity and nominal yield, the recovery fraction calculated from an assumed starting amount - NdFeB Round 1 routes differ in enrichment. Rankings for produced water from oil and gas extraction depend on phase and dilution assumptions requiring confirmation. We propose choosing batches by their expected reduction in downstream Bayes risk: the minimum expected loss among available process decisions under current beliefs. In exploratory simulations, a hybrid that filters candidates has lower estimated loss than the implemented joint search across routes and conditions. Differences involving the synthetic two-stage policy are small relative to estimation uncertainty. We outline a pre-registered prospective test under a shared loss and logging standard, requiring clarified measurements and records, a defined process decision and relevant outputs, credible economic inputs, and validation at the intended scale.
- Abstract（参考訳）: スケールアップのためのリカバリプロセスを選択するには、実験室の結果を製品要件、プロセスコスト、スケール効果と結びつける必要があります。
太平洋北西部国立研究所のコンピュータ・インテリジェンス・フォー・クリティカル・エレメント・リカバリ・アンド・オプティマイズ(CICERO)ワークフローから,自律的な降水のための記録を分析した。
アクティブな学習は実験を選択するために事前の結果を使用する。
適合モデルと再生ネオジム-鉄-ホウ素(NdFeB)マグネット記録を用いた条件付きリフレクションベンチマークにおいて、アクティブラーニングは非適応空間充填よりも少ない実験で最高の記録結果を得る。
濃縮は、飼料中と選択されたレアアース-アイロン比である。
適応的な政策は、記録されたエンリッチメントが最大で16から24ウェル(個別の実験)に達するのに対して、48。
2段階の再建は、16の井戸で2つの適応的な代替手段を結び付けます。
再生サマリウムコバルト (SmCo) 磁石の条件解析により, 純度と名目収率とのラウンド2のトレードオフを示す。
石油とガスの抽出から生成した水のランキングは、確認を必要とする相と希釈の仮定に依存する。
我々は、現在の信念の下で利用可能なプロセス決定の最小損失である、下流ベイズリスクの低減により、バッチを選択することを提案する。
探索シミュレーションでは、候補をフィルタリングするハイブリッドは、経路や条件をまたいだ共同探索よりも推定損失が低い。
合成二段階政策の相違は, 推定の不確実性に対して小さい。
共有損失記録基準に基づく事前登録試験を概説し, 明確化と記録, プロセス決定と関連する出力, 信頼性のある経済的な入力, 意図した規模での検証が必要である。
関連論文リスト
- Cost-Aware Recovery-Pathway Identification and Bayesian Optimization for Autonomous Materials Discovery [0.0]
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。
論文 参考訳（メタデータ） (2026-07-26T23:56:58Z) - Decision Kernels for Quantum Error Mitigation: Why Accuracy Gains Need Not Improve Downstream Decisions [0.0]
下流決定のための有限ショットQEMの理論を開発する。
我々は、商因子化、ギャップロー極小性、限界ノーゴー定理、QEMプルバック定理、固定配置ショットレベル逆を証明する。
論文 参考訳（メタデータ） (2026-07-03T02:35:57Z) - Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。
探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。
有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
論文 参考訳（メタデータ） (2026-05-22T11:37:22Z) - Interleaved Resampling and Refitting: Data and Compute-Efficient Evaluation of Black-Box Predictors [15.386375612838371]
本研究では,2乗損失下での大規模実証的リスク最小化の余剰リスクを評価することの課題について検討する。
トレーニングアルゴリズムへのブラックボックスアクセスのみを仮定し、過剰リスクを推定するための効率的な手順を開発する。
論文 参考訳（メタデータ） (2026-03-15T04:41:20Z) - 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) - From Calibration to Refinement: Seeking Certainty via Probabilistic Evidence Propagation for Noisy-Label Person Re-Identification [40.73759251488672]
既存のノイズロスのある人物Re-ID法は、ソフトマックス出力を用いた損失補正やサンプル選択方式に依存している。
本稿では,キャリブレーションからリファインメントへ伝播する確率的証拠を通じて確実性を求める2段階フレームワークであるCARE法を提案する。
精製段階では, クリーン試料とノイズ試料をより正確に識別できるエビデンス伝搬精製法(EPR)を設計する。
論文 参考訳（メタデータ） (2026-02-26T15:50:15Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。
トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。
1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
論文 参考訳（メタデータ） (2022-05-27T11:13:17Z) - Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。
具体的には、対照的な学習方法でネットワークをトレーニングする。
各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
論文 参考訳（メタデータ） (2021-03-24T07:26:07Z)
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。