論文の概要: Portfolio-Based Constrained Multi-Objective Bayesian Optimization for Materials Design
- arxiv url: http://arxiv.org/abs/2609.19550v1
- Date: Thu, 17 Sep 2026 01:19:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.059276
- Title: Portfolio-Based Constrained Multi-Objective Bayesian Optimization for Materials Design
- Title（参考訳）: ポートフォリオベース制約付き多目的ベイズ最適化による材料設計
- Abstract要約: 我々は,従来型および実現可能性を重視した獲得関数のポートフォリオに対して,獲得関数の選択を適応的なポリシー選択問題として再考する。
適応的政策は累積実現可能性カウントと実現可能なハイパーボリューム改善の両方の観点から競争的に実行された。
- 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: Materials discovery and design campaigns can be formulated as constrained multi-objective Bayesian optimization (CMOBO) problems, within which each experimental decision negotiates between two coupled but competing goals: discovering feasible candidates and refining the underlying Pareto front. Here we recast acquisition-function choice as an adaptive policy-selection problem over a portfolio of conventional and feasibility-focused acquisition functions. This was done using two controllers: UCB-Bandit, a modified UCB multi-armed bandit, and Agentic-Switch, a multi-agent decision system driven by a large language model (LLM). Both were evaluated against fixed-policy baselines in silico across five synthetic benchmark functions and two materials design case studies. The adaptive policies performed competitively in terms of both cumulative feasibility count and feasible hypervolume improvement, while each individual acquisition function performed well for only one metric, suggesting that adaptive policies are better suited for constrained materials science problems.
- Abstract（参考訳）: 材料発見と設計のキャンペーンは制約付き多目的ベイズ最適化(CMOBO)問題として定式化することができ、そこでは各実験的な決定が2つの結合された競合する目標の間で交渉される。
ここでは、従来型および実現可能性を重視した獲得関数のポートフォリオに対して、獲得関数の選択を適応的なポリシー選択問題として再考する。
これは UCB-Bandit と、大きな言語モデル (LLM) によって駆動されるマルチエージェント決定システムである Agentic-Switch の2つのコントローラで実現された。
5つの総合ベンチマーク関数と2つの材料設計ケーススタディを用いて,シリコの固定政治基準線について評価した。
適応的政策は累積可能性数と実現可能なハイパーボリューム改善の両方の観点から競合的に実行され、一方個々の獲得関数は1つの指標に対して良好に機能し、適応的政策は制約された材料科学問題に適していることを示唆した。
関連論文リスト
- Diversity-Driven Offline Multi-Objective Optimization via Nested Pareto Set Learning [11.1141573484419]
多目的最適化(MOO)は、複数の目的を含む複雑な最適化問題を解くための強力なアプローチとして登場した。
本稿では多様性駆動型オフライン多目的最適化(DOMOO)を提案する。
合成および実世界のベンチマークの実験は、DOMOOが収束と多様性の両方においてタスクの平均ランクを達成していることを示している。
論文 参考訳（メタデータ） (2026-06-13T05:09:25Z) - Range-Aware Bayesian Optimization for Discovering Diverse Designs within Target Property Windows [1.6741629444306871]
本研究では,候補が対象範囲を満足する後方確率を,取得関数が直接スコアする範囲対応ベイズ最適化(BO)フレームワークを開発する。
ベンチマークタスク全体を通じて、レンジ対応の買収は、標準BOベースラインよりも大きく、より多様な有効な設計セットを継続的に回復する。
これらの結果から,範囲対応BOは,仕様駆動設計のための実用的でサンプル効率のよい基盤となることが示唆された。
論文 参考訳（メタデータ） (2026-06-10T01:58:30Z) - In-Context Multi-Objective Optimization [24.738414334054358]
TAMOは、マルチオブジェクトのブラックボックス最適化のための、完全に償却され、普遍的なポリシーである。
我々は,多目的ブラックボックス最適化のための完全償却ユニバーサルポリシーであるTAMOを提案する。
論文 参考訳（メタデータ） (2025-12-11T20:56:42Z) - LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。
LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。
LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
論文 参考訳（メタデータ） (2025-08-16T02:00:57Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Multi-Objective Bayesian Optimization with Active Preference Learning [18.066263838953223]
本稿では,多目的最適化 (MOO) 問題において最も望ましい解を特定するためのベイズ最適化 (BO) 手法を提案する。
また、意思決定者(DM)との相互作用コストを最小限に抑えるため、選好推定のためのアクティブラーニング戦略を提案する。
論文 参考訳（メタデータ） (2023-11-22T15:24:36Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z)
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。