論文の概要: Reduced-Space Multi-Fidelity Bayesian Optimization of Process Simulation Models

• arxiv url: http://arxiv.org/abs/2609.17440v1
• Date: Tue, 15 Sep 2026 16:46:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.628625
• Title: Reduced-Space Multi-Fidelity Bayesian Optimization of Process Simulation Models
• Title（参考訳）: プロセスシミュレーションモデルの空間多重忠実ベイズ最適化
• Abstract要約: 本稿では,高次元で高価なブラックボックス機能を実現するために,低空間多重忠実ベイズ最適化(RS-MFBO)フレームワークを提案する。 その結果,提案手法は,高忠実度シミュレータの評価回数を大幅に削減することを示した。 これらの結果は、コスト制約のあるブラックボックス最適化のためのスケーラブルでシミュレータに依存しないアプローチとしてRS-MFBOを強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimizing industrial process flowsheets is often computationally prohibitive due to the high cost of rigorous simulations and the curse of dimensionality inherent in complex design spaces. To address these challenges, we present a reduced-space multi-fidelity Bayesian optimization (RS-MFBO) framework designed for high-dimensional, expensive black-box functions. The approach integrates Global Sensitivity Analysis (GSA) for dimensionality reduction with a fidelity-augmented Gaussian process that captures correlations between low-cost approximations and expensive high-fidelity evaluations. A cost-aware acquisition strategy, augmented with cooldown and promotion mechanisms, adaptively guides the allocation of samples across fidelities. The framework is validated on two distinct industrial process simulators: a plasmid DNA bioprocess in SuperPro Designer and a green fuel synthesis plant in Aspen HYSYS. Results across diverse economic and physical objectives demonstrate that the proposed method substantially reduces the number of high-fidelity simulator evaluations while maintaining competitive optimization performance compared to single-fidelity baselines. These results highlight RS-MFBO as a scalable, simulator-agnostic approach for cost-constrained black-box optimization.
• Abstract（参考訳）: 工業プロセスフローシートの最適化は、厳密なシミュレーションのコストが高く、複雑な設計空間に固有の次元の呪いのため、計算的に禁止されることが多い。 これらの課題に対処するために,高次元で高価なブラックボックス関数用に設計された低空間多重忠実ベイズ最適化(RS-MFBO)フレームワークを提案する。 このアプローチは、次元減少のためのGSA(Global Sensitivity Analysis)と、低コストな近似と高価な高忠実度評価の相関を捉えた忠実度増大したガウス過程を統合する。 コストを意識した買収戦略は、冷却と促進のメカニズムを付加し、忠実度を越えてサンプルの割り当てを適応的にガイドする。 このフレームワークは、SuperPro DesignerのプラスミドDNAバイオプロセスとAspen HYSYSのグリーン燃料合成プラントの2つの異なる産業プロセスシミュレータで検証されている。 多様な経済・物理的目的にまたがる結果から,提案手法は単一忠実度ベースラインに比べて競合最適化性能を維持しつつ,高忠実度シミュレータの評価を著しく削減することを示した。 これらの結果は、コスト制約のあるブラックボックス最適化のためのスケーラブルでシミュレータに依存しないアプローチとしてRS-MFBOを強調している。

関連論文リスト

• Convex Optimization for Alignment and Preference Learning on a Single GPU [52.997197698288936]
  人間の好みに合わせて微調整された大きな言語モデルは、GeminiやChatGPTといったシステムの成功を導いた。 DPO(Direct Preference Optimization)は、よりシンプルな代替手段を提供するが、一貫性のないランキング精度やGPUリソースへの高い依存といった制限がある。 本稿では,理論的保証の強い新しい軽量戦略であるConvex Optimization for Alignment and Preference Learning Algorithm (COALA)を提案する。
  論文  参考訳（メタデータ） (2026-05-22T05:25:00Z)
• Multi-fidelity approaches for general constrained Bayesian optimization with application to aircraft design [0.34998703934432673]
  目的と制約の両方から情報を取り入れることで、最適性を損なうことなく、計算コストをさらに削減できることを示す。 提案手法を用いることで,予算に制限のある制約準拠のソリューションを86%から200%に削減できることを示す。
  論文  参考訳（メタデータ） (2026-03-30T20:36:13Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• Quantum-Inspired DRL Approach with LSTM and OU Noise for Cut Order Planning Optimization [0.0]
  裁量計画(COP)は繊維産業において重要な課題であり、繊維の利用と製造コストに直接影響を及ぼす。 本稿では,Long Short-Term Memory NetworkとOrnstein-Uhlenbeckノイズを統合した量子インスパイアされたDeep Reinforcement Learningフレームワークを提案する。 比較分析の結果,提案手法は従来手法と比較して最大13%のコスト削減を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-08-13T05:00:50Z)
• HiLAB: A Hybrid Inverse-Design Framework [0.0]
  HiLABはナノフォトニック構造の逆設計のための新しいパラダイムである。 シミュレーションコストを削減した多様なフリーフォーム構成を生成することで、多機能デバイス設計に対処する。
  論文  参考訳（メタデータ） (2025-05-23T05:34:56Z)
• Multifidelity Simulation-based Inference for Computationally Expensive Simulators [7.065679767112407]
  MF-(TS)NPEは、トランスファーラーニングを用いて安価な低忠実度シミュレーションを利用する、神経後部推定のための多忠実なアプローチである。 A-MF-TSNPEは,密度推定器の予測不確かさを目標とした取得関数を用いた逐次変種である。
  論文  参考訳（メタデータ） (2025-02-12T13:59:22Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Self-focusing virtual screening with active design space pruning [2.853824009425466]
  設計空間プルーニング(DSP)と呼ばれる手法を用いて,推論コストを軽減するモデル誘導最適化フレームワークの拡張を提案する。 DSPの様々な最適化タスクへの適用について検討し、ベースライン最適化に類似した性能を示しながら、オーバーヘッドコストの大幅な削減を観察する。
  論文  参考訳（メタデータ） (2022-05-03T19:47:30Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space Entropy Search Approach [44.25245545568633]
  複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。 いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2020-11-02T06:59:04Z)

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。