論文の概要: Agentic-MatriBO: Capability-Compiled Agentic Bayesian Optimization for Materials and Chemical Design
- arxiv url: http://arxiv.org/abs/2610.17832v2
- Date: Thu, 15 Oct 2026 17:36:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:32.985219
- Title: Agentic-MatriBO: Capability-Compiled Agentic Bayesian Optimization for Materials and Chemical Design
- Title（参考訳）: Agentic-MatriBO:材料と化学設計のための能力コンパイル型エージェントベイズ最適化
- Abstract要約: 本稿では,BOコンポーネントと選択条件を構成可能な機能として表現した,能力コンパイル型エージェントベイズ最適化(BO)フレームワークを提案する。
言語ポリシーはBOレシピと候補プランを提案し、コンパイラは登録された機能カタログに対して提案をチェックし、決定論的実行層は候補を検証しコミットする。
我々は,Agenic-MatriBOを4つのオフライン有限候補プール(-COF, PCE10, Buchwald-Hartwig (BH), Suzuki-Miyaura)の8つのベースラインと比較した。
- 参考スコア（独自算出の注目度）: 9.750527627007646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Materials and chemical optimization must choose the next synthesis, characterization, or high-fidelity simulation from sequential observations under a limited budget. Large language models can use task knowledge to propose adjustments, but composing surrogates, acquisition functions, and search strategies is constrained by compatibility, parameter dependencies, and evidence requirements. We present Agentic-MatriBO, a capability-compiled agentic Bayesian optimization (BO) framework that represents BO components and selection conditions as composable capabilities. A language policy proposes BO recipes and candidate plans; a compiler checks proposals against the registered capability catalog; and a deterministic execution layer validates and commits candidates. Oracle observations are stored in research memory and inform later rounds. We compare Agentic-MatriBO with eight baselines on four offline finite candidate pools---COF, PCE10, Buchwald--Hartwig (BH), and Suzuki--Miyaura---using five seeds per condition; results are reported descriptively. Across the four tasks, Agentic-MatriBO has the best mean endpoint quality after orienting each objective so that higher is better. On COF, it reaches the tabulated optimum in all five seeds both in the end-to-end comparison and after shared initialization, where it also retains an advantage in cumulative quality. Its normalized area under the best-so-far quality curve during the BO stage (nAUC-BO) is substantially higher on COF, near parity with the best baseline on PCE10 and BH, and lower on Suzuki. COF ablations show that removing the capability compiler or evidence gate coincides with lower cumulative quality and fewer exact-optimum hits. The framework provides an inspectable interface for evidence-conditioned BO adaptation.
- Abstract（参考訳）: 物質と化学最適化は、限られた予算下での逐次観測から次の合成、特性、高忠実度シミュレーションを選択する必要がある。
大規模言語モデルはタスク知識を用いて調整を提案できるが、サロゲート、取得関数、検索戦略を構成することは、互換性、パラメータ依存、エビデンス要件によって制約される。
本稿では,BOコンポーネントと選択条件を構成可能な機能として表現した,能力コンパイル型エージェントベイズ最適化(BO)フレームワークであるAgentic-MatriBOを提案する。
言語ポリシーはBOレシピと候補プランを提案し、コンパイラは登録された機能カタログに対して提案をチェックし、決定論的実行層は候補を検証しコミットする。
Oracleの観測は研究メモリに格納され、後続のラウンドに通知される。
我々は,Agenic-MatriBOを4つのオフライン有限候補プール(-COF, PCE10, Buchwald-Hartwig (BH), Suzuki-Miyaura)の8つのベースラインと比較した。
4つのタスク全体にわたって、Agentic-MatriBOは、各目標を指向した上で、最高の平均エンドポイント品質を持ち、より高い位置がより良くなるようにします。
COFでは、終末比較と共有初期化の両方で5種すべてで表される最適値に達し、累積品質の優位性も維持される。
BOステージ(nAUC-BO)における最高品質曲線の下での正常化面積は,PCE10,BHでは最良基準値とほぼ同値であり,鈴木では低値である。
COFの廃止により、機能コンパイラやエビデンスゲートの削除は、累積的な品質が低く、正確な最適ヒットが少なくなる。
このフレームワークは、エビデンス条件付きBO適応のための検査可能なインターフェースを提供する。
関連論文リスト
- A Closer Look at Agentic BBO: Benchmarking LLM Agents for Black-Box Optimization [23.208544074166223]
ブラックボックス最適化(BBO)は、客観的評価が高価で制限されている多くの科学的・工学的な問題に現れる。
最近の大規模言語モデル(LLM)エージェントは、タスクのセマンティクス、計算、最適化ツール、フィードバックによる意思決定を組み合わせることで、BBOにアプローチする方法を提供する。
本稿では,合成関数,ハイパーパラメータ最適化,データベースチューニング,チップ設計,分子設計を対象とするエージェントBBOのクロスドメインベンチマークであるAgenticBBO-Benchを紹介する。
論文 参考訳（メタデータ） (2026-10-08T15:48:07Z) - MESH-Harness: Self-Improving Agent Harnesses via Bandit-Guided Compositional Evolution [51.00839146188019]
MESH-Harnessは、各ハーネスを明示的なロール固有のインターフェイスを持つ機能モジュールにまとめる。
Mixed-start coordinate ascentは、空間を列挙することなく、評価のための完全な構成を選択する。
繰り返しハーネス最適化はMESH-Harnessを5.63-7.79ポイント改善した。
論文 参考訳（メタデータ） (2026-10-04T15:22:23Z) - COBRA-Skills: Contextual Bandit-Guided Evolution for Agent Skill Optimization [55.60171725587438]
大規模言語モデル(LLM)エージェントは、以前のタスク経験から抽出した再利用可能なスキルの恩恵を受けることができる。
既存のスキル最適化手法は、コストのかかる実行ベースの評価と実質的なタスクデータに依存していることが多い。
動的に進化する候補空間上での予算付き逐次最適化としてスキル最適化を定式化する効率的なフレームワークである textbfCOBRA-Skills を導入する。
論文 参考訳（メタデータ） (2026-09-10T15:12:24Z) - A FEM-Based Surrogate Modelling and Optimization Framework for Physics-Constrained Electromagnetic Coil Design [2.6205603301997855]
Python-MPh-COMSOLワークフローは、2次元軸対称有限要素法(FEM)とMatern 5/2 Gaussian-process (GP)確率的サロゲートを結合する。
共通の総電流における選択された設計チェックは、観測されたBOBYQA--COBYLA--EI-BO順序を保存する。
論文 参考訳（メタデータ） (2026-08-19T13:27:15Z) - Ranking over Regression for Bayesian Optimization and Molecule Selection [0.0680892187976602]
本稿ではランキングモデルを用いたランクベースベイズ最適化(RBO)を提案する。
本稿では, 各種化学データセットにおける従来のBOと比較して, RBOの最適化性能について包括的に検討する。
RBOはレグレッションベースのBOに代わる有効な代替品であり、特に新規化合物の最適化に有効である。
論文 参考訳（メタデータ） (2024-10-11T22:38:14Z) - Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。
高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。
以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
論文 参考訳（メタデータ） (2024-02-06T11:44:06Z) - Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳（メタデータ） (2024-02-05T02:54:50Z) - Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。
我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。
本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
論文 参考訳（メタデータ） (2023-11-13T13:19:34Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - Comparison of High-Dimensional Bayesian Optimization Algorithms on BBOB [0.40498500266986387]
我々は,5つの最先端高次元BOアルゴリズムと,バニラとCMA-ESを10変数から60変数の範囲で比較した。
本結果は, CMA-ESに対するBOの優位性を確認し, 限られた評価予算について検証した。
論文 参考訳（メタデータ） (2023-03-02T01:14:15Z)
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。