Jul, 2015

超冷原子实验的快速机器学习在线优化

PDF
TL;DR使用高斯过程的机器学习方法来优化制备玻色 - 爱因斯坦凝聚体的过程，该方法能够 10 倍加快传统优化技术的速度，同时还能够提供关于实验优化的重要参数的洞察。
machine learninggaussian processesoptimizationbose-einstein condensatesexperimental design
发现论文，激发创造
  • 自由电子激光器的贝叶斯优化

    本文采用贝叶斯方法和高斯过程对 Linac Coherent Light Source 中的多极磁铁进行优化，通过对少量样本的控制参数建立概率模型并加入设备间的关联，成功实现了高效的优化策略。

    Sep, 2019

  • 冷原子实验高效优化的机器学习算法回顾与实验基准测试

    在本文中，我们展示了对九种不同优化技术和实现方法进行基准测试的结果，以及它们在铷（Rb）冷原子实验中的优化能力。我们使用 3D $^{87}$Rb molasses 进行实验，并将吸收成像得到的原子数作为测试问题。我们还通过调整 2D+ MOT 中的原子蒸汽压力和检测激光频率稳定性来减小图像的信噪比，对不同有效噪声条件下表现最佳的优化器进行了比较。

    Dec, 2023

  • 基于机器学习的超快自旋动力学实验设计及参数估计

    该研究介绍了一种将机器学习与贝叶斯最优实验设计相结合的方法，可以在有限的实验时间内更精确地预测模型参数，从而指导光子波动光谱的实验并取得更多的信息，同时可以采用其他实验方法用于数据收集和加快科学发现。

    Jun, 2023

  • 机器学习算法的实用贝叶斯优化

    本研究基于贝叶斯优化框架，建立高斯过程模型，通过前期实验获得的信息来优化机器学习算法的超参数调整，作者提出可以超过经验人类调参表现的自动算法，并介绍收集实验信息、利用多核心并行实验等新算法。

    Jun, 2012

  • 贝叶斯优化的量子高斯过程回归

    本文提出了一种基于量子核的高斯过程回归方法，并利用硬件高效特征映射和 Gram 矩阵的精细正则化，展示了量子高斯过程的方差信息可以被保留，以及它可以作为贝叶斯优化的代理模型，最后将该模型应用于机器学习模型的超参数优化，并以实际数据集为例，与经典的贝叶斯优化进行比较，展示了量子版本的性能可以匹配。

    Apr, 2023

  • 实验装置的进化优化

    本文提出了一种基于差分进化的遗传算法来自动化实验参数优化的方法，该算法在实验噪声和局部最大值等情况下也具有鲁棒性，并且易于实现，适用于广泛的实验优化任务。

    May, 2013

  • 材料设计的贝叶斯优化

    通过高斯过程回归和贝叶斯优化技术，针对材料设计和发现等高维复杂问题，提出一种基于价值信息分析的预期改进和知识梯度方法，以最少的实验找到优良的材料设计方案。

    Jun, 2015

  • 基于在线离线实验的策略搜索贝叶斯优化

    使用离线模拟器并应用多任务贝叶斯优化改进在线机器学习系统的方法，较之仅进行在线实验，能够更有效地探索复杂、多维度的策略空间，并通过学习曲线表明离线实验可以显著提高在线实验结果的准确性和优化速度。

    Apr, 2019

  • 冻融贝叶斯优化

    本文介绍一种基于贝叶斯优化的机器学习超参数搜索方法，在训练过程中根据部分信息决定是否暂停、新建模型，以及恢复之前考虑过的模型。该方法特别适合机器学习问题，通过开发一种新的正定协方差核来捕捉多种训练曲线，并开发了一个能够与额外时间观察优雅扩展的高斯过程先验。此外，我们提供了一个信息理论的框架来自动化决策过程。在多种常见的机器学习模型上的实验表明，我们的方法在实践中非常有效。

    Jun, 2014

  • 自适应贝叶斯优化在高精度运动系统中的应用

    在这项工作中，我们提出了一种基于 GoOSE 算法的实时纯数据驱动的自适应控制方法，用于在线调整低级控制器参数，从而处理性能和稳定性的要求，并通过修改负载和参考步长将其与插值约束优化方法进行比较，用于评估算法在半导体行业应用中实现的真实精密运动系统的性能。

    Apr, 2024