論文の概要: Agentic Resource Allocation for Batch Multi-Objective Bayesian Optimization in Autonomous Materials Discovery

• arxiv url: http://arxiv.org/abs/2610.04134v1
• Date: Fri, 02 Oct 2026 23:08:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 19:56:38.663774
• Title: Agentic Resource Allocation for Batch Multi-Objective Bayesian Optimization in Autonomous Materials Discovery
• Title（参考訳）: 自律材料発見におけるバッチ多目的ベイズ最適化のためのエージェントリソース割り当て
• Abstract要約: 資源制約下での合金設計のためのフレームワークを開発し,適応型ポリシーチューニングのためのベンチマーク戦略を提案する。 我々は、バッチアロケーションとキャンペーン信号解釈に対する異なるアプローチによる、搾取中心の戦略、固定混合探索・探索ポリシー、および2つの異なるLCMベースの適応戦略を比較した。
• 参考スコア（独自算出の注目度）: 0.36814519344102736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery and development of advanced materials is a challenging process constrained by the high time and monetary costs of synthesis, processing, and characterization. The underlying design spaces can be enormous, often with multiple competing objectives. Bayesian optimization (BO) provides a principled approach for efficiently navigating such spaces, but most workflows rely on fixed exploration-exploitation policies that lack the capacity to adapt to shifting constraints in dynamic campaigns typical of self-driving laboratories. In this work, we develop a multi-objective BO framework for alloy design under resource constraints, benchmarking strategies for adaptive policy tuning at each iteration. Our evaluation covers a septenary refractory high-entropy alloy (RHEA) system focused on maximizing melting temperature and minimizing density, and an Fe-Co-Ni-based soft magnetic alloy system targeting saturation magnetization, coercivity, and hardness. We compare an exploitation-focused strategy, a fixed mixed exploratory/exploitative policy, and two distinct LLM-based adaptive strategies with different approaches to batch allocation and campaign signal interpretation, evaluated across baseline and mid-campaign resource event conditions including budget reductions, timeline cuts, and combined disruptions. Our results show that mixed allocation strategies accumulate substantially more mutual information than the exploitation-focused baseline at a proportionally smaller cost to hypervolume and optimization speed, with adaptive strategies outperforming a fixed-mixed allocation policy by adjusting their allocation in response to both evolving campaign statistics and resource constraints. These findings suggest that adaptive resource allocation offers a favorable tradeoff for materials discovery campaigns in reducing predictive uncertainty on Pareto-optimal compositions.
• Abstract（参考訳）: 先進物質の発見と開発は、合成、処理、キャラクタリゼーションの高時間と金銭的コストに制約される挑戦的なプロセスである。 基礎となる設計空間は巨大であり、しばしば複数の競合する目的を持つ。 ベイズ最適化(BO)は、そのような空間を効率的にナビゲートするための原則的なアプローチを提供するが、ほとんどのワークフローは、自律的な研究所で典型的な動的なキャンペーンにおいて、シフトする制約に適応する能力に欠ける固定された探索-探索ポリシーに依存している。 本研究では,資源制約下での合金設計のための多目的BOフレームワークを開発する。 また, 飽和磁化, 保磁力, 硬さを目標としたFe-Co-Ni系軟磁性合金システムについて検討した。 我々は、予算削減、タイムラインカット、複合破壊を含む、ベースラインおよび中級のリソースイベント条件で評価された、バッチ割り当てとキャンペーン信号解釈に対する異なるアプローチによる、搾取中心の戦略、固定混合探索/探索ポリシー、および2つの異なるLCMベースの適応戦略を比較した。 本結果より, 資源制約とキャンペーン統計の両面からアロケーションを調整し, 適応戦略が固定混合アロケーションポリシーより優れており, 運用中心のベースラインよりも, ハイパーボリュームと最適化速度に比例して少ないコストで, 相互情報を蓄積することが示唆された。 これらの結果から, 適応的資源配分は, パレート最適組成の予測不確実性を抑えるために, 材料発見キャンペーンに好適なトレードオフをもたらすことが示唆された。

関連論文リスト

• LLMs as Adaptive Meta-Solvers: Strategy-Diverse RL for Industrial-Scale Optimization [17.54836402981176]
  我々は,実世界の産業規模の最適化に取り組むために,オープンソースのLLMを訓練するためのフレームワークを提案する。 まず,ソルバ統合推論,厳密なアルゴリズム,探索処理が,異なる問題構造とスケールの相補的な強みを示すことを示す。 次に,LLMを適応最適化メタソリューションとして訓練するSDRL(Strategy-Diverse Reinforcement Learning)を導入する。
  論文  参考訳（メタデータ） (2026-09-28T06:43:45Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• Deep Gaussian Process-based Cost-Aware Batch Bayesian Optimization for Complex Materials Design Campaigns [0.6740600601012572]
  本稿では,DGP(Deep Gaussian Process)サロゲートとヘテロトピークエリ戦略を用いた,費用対効果を考慮したバッチベイズ最適化手法を提案する。 提案フレームワークは,従来のGPベースのBOよりも,コストを考慮したクエリの繰り返しの少ない最適定式化に収束する。
  論文  参考訳（メタデータ） (2025-09-17T20:22:08Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• RLEMMO: Evolutionary Multimodal Optimization Assisted By Deep Reinforcement Learning [8.389454219309837]
  マルチモーダル最適化問題 (MMOP) は, 限られた関数評価において困難となる最適解の探索を必要とする。 本稿では,メタブラックボックス最適化フレームワークであるRLEMMOを提案する。 品質と多様性の両方を促進する新しい報酬メカニズムにより、RLEMMOはポリシー勾配アルゴリズムを用いて効果的に訓練できる。
  論文  参考訳（メタデータ） (2024-04-12T05:02:49Z)
• Multiple Independent DE Optimizations to Tackle Uncertainty and Variability in Demand in Inventory Management [0.0]
  本研究の目的は、不確実な需要パターンの文脈において、在庫コストを最小限に抑えるための最も効果的な戦略を明らかにすることである。 最適な解を見つけるために、この研究はメタヒューリスティックなアプローチに焦点を当て、複数のアルゴリズムを比較する。
  論文  参考訳（メタデータ） (2023-09-22T13:15:02Z)

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。