Nov, 2023

基于阈值驱动的混合采集策略贝叶斯优化加速材料发现

PDF
TL;DR本文介绍了一种新的阈值驱动的 UCB-EI 贝叶斯优化（TDUE-BO）方法，该方法动态地整合了上置信区间（UCB）和预期改进（EI）获取函数的优势，以优化材料发现过程。通过在顺序采样结果的每个步骤中连续监测模型的不确定性来引导 UCB 到 EI 的切换策略，实现了在高维材料设计空间上的更有效导航，同时确保快速收敛。通过在三个不同的材料数据集上应用 TDUE-BO，证明了它在 RMSE 得分和收敛效率上相对于 EI 和基于 UCB 的 BO 方法具有显著更好的近似和优化性能。
materialsmachine learningbayesian optimizationexploration and exploitationmaterial design space
发现论文，激发创造
  • HypBO: 专家引导化学家参与贝叶斯搜索新材料

    机器人技术和自动化为解决材料发现等难以处理的多变量科学问题提供了巨大的加速，而巨大的搜索空间可能令人望而生畏。贝叶斯优化（BO）已成为一种流行的高效样本优化引擎，在目标函数 / 属性没有已知的解析形式的任务中蓬勃发展。本文利用专家人类假设的形式来更快地将贝叶斯搜索定向到化学空间的有前途的区域。我们提出的方法称为 HypBO，利用专家人类假设生成改进的样本种子。不太有希望的种子被自动折扣，而有希望的种子被用于增加代理模型数据，从而实现更有信息的抽样。这个过程在一个全局与局部搜索的框架中继续进行。我们在一系列合成函数上验证了我们方法的性能，并在一个真实的化学设计任务上展示了其实用性，其中使用专家假设显著加速了搜索性能。

    Aug, 2023

  • 加速物理发现的非交互性和交互性多保真贝叶斯优化：当前挑战和未来机遇

    在计算材料发现领域，通过多样的交互工作流程和基于贝叶斯优化的多层次恒定调整，结合数据、物理和实时人工决策，提高了对多维参数空间的探索效率。

    Feb, 2024

  • 贝叶斯搜索中的领域知识注入

    这篇论文提出了 DKIBO，即一种贝叶斯优化算法，用于调整搜索空间中的探索，它能够融合领域知识。通过利用一个额外的确定性代理模型，我们提出了一种简单的方法来融入获取函数中的结构化知识，以丰富高斯过程的近似能力，以此纠正采样的不足，并在材料设计任务中成功地注入领域知识。我们进一步验证了该方法在不同实验设置和消融分析方面的性能。

    Nov, 2023

  • BORE: 基于密度比率估计的贝叶斯优化

    将 expected improvement 的计算转化为二分类问题，以避免分析可观测性和提高 Bayesian optimization 的效率和适用性。

    Feb, 2021

  • 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

  • 可证明的强鲁棒性元贝叶斯优化

    本文介绍了两种可扩展且在元学习中具有稳健性的算法，它们是 “稳健元高斯过程 - 置信上界”（RM-GP-UCB）和 “稳健元高斯过程 - 汤普森抽样”（RM-GP-TS），两者均具有渐进无遗憾性。我们同时优化经过在线学习分配给个别任务的权重来减弱不同任务的影响，从而进一步增强稳健性。实证评估表明，在各种应用中，RM-GP-UCB 表现出有效和一致的性能，而尽管 RM-GP-TS 在理论和实践中都不如 RM-GP-UCB 稳健，但在一些具有较少不同任务的场景中表现具有竞争力且更具计算效率。

    Jun, 2022

  • 基于多准则贝叶斯优化与表示学习的自适应催化剂发现

    通过高通量计算催化剂筛选方法，在高维度催化剂结构中实现自动化表征学习并具备原则性不确定性量化，探索二氧化碳还原反应的催化剂发现，实现了高预测准确性、可解释的特征提取以及多准则设计优化，大幅降低计算资源和时间成本（需要的密度泛函理论计算减少 10 倍）来进行高性能催化剂的发现。

    Apr, 2024

  • 通过优先建模抽象属性的增强贝叶斯优化

    我们提出了一种人工智能与人类专家协作的贝叶斯框架，将未测量的抽象属性的专家偏好引入代理模型，进一步提高贝叶斯优化的性能。实验结果表明，我们的方法在合成函数和真实数据集上优于基准方法。

    Feb, 2024

  • 基于模型的因果贝叶斯优化

    本文提出了一种基于模型和因果贝叶斯优化算法的方法，学习一个完整的系统模型并通过乐观的原则进行探索和开发，以解决在未知结构方程模型下如何干预以最大化目标变量的问题，并通过实验得到了有益的结果。

    Nov, 2022

  • 可解释的贝叶斯优化

    提出了一种基于规则的解释性方法 TNTRules，通过多目标优化生成高质量解释，从而弥合 Bayesian optimization 和 XAI 之间的差距。通过对基准优化问题和实际超参数优化任务的评估，证明了 TNTRules 在生成高质量解释方面优于现有的 XAI 方法。该研究为 BO 和 XAI 的交叉领域做出贡献，为实际应用提供了可解释的优化技术。

    Jan, 2024