待定实验的自动驾驶实验室搜索策略
利用多目标黑盒优化的主动学习过程,在实时流数据和模块化多目标优化软件开发技术支持下,实现了自动化连续流化学实验室的自治操作,为电解质生产提供了理想的制造条件。
Apr, 2023
为了解决高吞吐量筛选中大规模问题的局限性,该研究提出了一种基于并行和分布式的 Thompson 采样的可伸缩解决方案,实现了大规模并行贝叶斯优化。结果表明,该方法在大规模问题中表现良好,是大规模并行贝叶斯优化的有效解决方案。
Jun, 2017
本文介绍了用于顺序试验的最优设计策略,并且使用贝叶斯推断的信息理论设计目标针对参数推断进行了 sOED 问题的严谨公式化。同时,研究了具有连续参数,设计和观测空间的非线性设计的数字方法,并利用探索和利用来提高状态空间中经常访问区域的逼近精度。最后,文中展示了对非线性源反演问题的优势。
Apr, 2016
本文介绍了一种适用于满足延迟目标的自适应实验解决方案,通过在 delayed binary feedback objectives 之前估计实际底层目标来动态分配变体,并显示了该方法相较其他方法更为高效,而且在不同环境下很稳健。此外,我们还描述了一个由该算法驱动的实验产品,该产品已经部署在一个大型的电子商务公司 JD.com 的在线实验平台上。
Feb, 2022
提出了一种基于数据驱动的贝叶斯优化框架,利用顺序学习来有效优化具有多个相互冲突目标的复杂系统,其中使用一种新的度量来评估多目标数据驱动优化方法的质量和生成所需的数据量,并在制造数据集上进行了评估,结果表明,该算法可以在处理更少的数据的情况下实现实际 Pareto 前沿,从而可以降低成本和时间。
Apr, 2023
本文阐述了自动驾驶实验室的物质加速平台以及利用模拟技术和人工智能设计计算机新媒介,解决软硬件信息丢失问题和建立计算问题与计算媒介间的完美对齐,为新一代的材料和计算机科学研究提供了创新合作方向。
Aug, 2022
异步贝叶斯优化通过评估四种嵌入悲观预测的策略扩展了异步优化方法的能力。在模拟环境中,这五种策略与串行采样进行了比较。在某些条件和参数空间维度下,悲观异步策略比等效的串行策略少使用显著数量的实验达到最优实验条件,并且在高维度下对局部最优值的收敛性较不敏感。在考虑更快的采样率之前,本文提出的悲观异步算法可能在高成本实验空间中实现更高效的算法驱动优化。在考虑采样率的情况下,所提出的异步算法能够在实验结果收集之前运行多个实验,从而实现更快的优化。
Jun, 2024
通过贝叶斯共同导航理论模型空间和实验来实现理论在循环中的集成,以减小实验对象空间的认识不确定性,进而创建包括关联部分和理论模型本身的材料结构数字孪生体,具有广泛的应用前景。
Apr, 2024
本文研究了分布式训练深度学习模型时采用同步优化的可行性,发现同步优化虽然会浪费一些等待时间,但采用备用工作者的方式可以避免异步噪声并加速收敛,同时能够在保证准确性的前提下提高测试准确率。
Apr, 2016
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