分子设计中贝叶斯优化的常见问题诊断与修复
贝叶斯优化是一种强大的技术,可用于优化噪声大、昂贵难评估的黑箱函数,在科学、工程、经济、制造等领域具有广泛的实际应用。本文概述了贝叶斯优化在下一代过程系统设计中的最新进展、挑战和机遇,并介绍了如何利用高级贝叶斯优化方法更有效地解决这些应用中的重要问题。最后,我们总结了提高概率模型质量、选择下一个样本点的内部优化过程以及利用问题结构提高样本效率方面的挑战和机会。
Jan, 2024
本文介绍了 ChemBO,一种用于生成和优化有机分子的贝叶斯优化框架,该方法探索合成图以高效生成可合成的有机分子,并通过实验证明了其高效性。
Aug, 2019
模拟基于贝叶斯优化 (SBBO) 是一种用于优化黑盒函数的新方法,只需要通过基于采样的后验预测分布进行访问。该方法允许在涉及组合空间和离散变量的情况下使用适用于组合空间的概率代理模型。在组合优化的应用中,我们通过使用不同的代理模型在实证上证明了 SBBO 方法的有效性。
Jan, 2024
本文提出了一个深度学习框架,基于具有随机先验的 bootstrap 整合的神经体系结构,用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系,测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。
Feb, 2023
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
本文提出了两种新的并行贝叶斯优化(BO)范例,可利用设计空间的结构进行分区。其中,一种方法是按照性能函数的级集划分设计空间,另一种方法是利用性能函数的部分可分性结构。数值实验表明,这些方法可显著减少搜索所需时间,提高发现全局最优解(而非局部最优解)的概率。
Oct, 2022
分子属性优化 (MPO) 问题是困难的,因为它们在离散、非结构化的空间中定义,并且标记过程涉及昂贵的模拟或实验,基本上限制了可用数据量。贝叶斯优化 (BO) 是一种用于高效优化有噪声、黑盒目标函数 (例如,测量的属性值) 的强大且流行的框架,因此对于 MPO 来说是一个潜在的吸引人的框架。为了将 BO 应用于 MPO 问题,必须选择一种结构化的分子表示方法,能够构建概率代理模型。已经开发了许多分子表示方法,然而它们都是高维的,这在 BO 过程中引入了重要挑战 —— 主要是由于维度的诅咒使得很难对合适的代理模型类定义和执行推理。本研究中,我们展示了这些方法有被 “困住” 的倾向,我们假设产生这种现象是因为从编码空间到属性值的映射不一定由高斯过程很好地建模。我们提倡一种替代方法,将数值分子描述符与稀疏的轴对齐高斯过程模型结合起来,能够快速识别对模拟未知属性函数最相关的稀疏子空间。我们证明了我们提出的方法在各种基准测试和实际问题中显著优于现有的 MPO 方法。具体地,我们展示了我们的方法可以在 100 个或更少的昂贵查询中在超过 100,000 种可选分子中经常找到近乎最优的分子。
Jan, 2024
ColaBO 是首个贝叶斯规范框架,用于将超出典型内核结构的先前信念整合到优化过程中,能够在准确的先前信息下大幅加速优化,并在误导性信息下保持大致默认性能。
Nov, 2023
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