Combining Multi-Fidelity Modelling and Asynchronous Batch Bayesian Optimization

要約

ベイジアン最適化は、実験の設計に役立つツールです。
残念なことに、ベイジアン最適化の従来の連続的な設定は、実験室での実験、たとえば電池の設計など、さまざまなソースから測定値が得られ、それらの評価にかなりの待ち時間が必要になる可能性がある実験にはうまく変換されません。
マルチフィデリティ ベイジアン最適化は、さまざまなソースからの測定値を使用して設定に対処します。
非同期バッチ ベイジアン最適化は、以前の実験の結果が明らかになる前に、新しい実験を選択するためのフレームワークを提供します。
この論文では、マルチフィデリティと非同期バッチ法を組み合わせたアルゴリズムを提案します。
アルゴリズムの動作を経験的に研究し、単一忠実度のバッチ法や多忠実度の逐次法よりも優れていることを示しています。
アプリケーションとして、コインセルでの実験を使用してバッテリー性能を概算し、パウチセルで最適な性能を発揮するように電極材料を設計することを検討します。

要約(オリジナル)

Bayesian Optimization is a useful tool for experiment design. Unfortunately, the classical, sequential setting of Bayesian Optimization does not translate well into laboratory experiments, for instance battery design, where measurements may come from different sources and their evaluations may require significant waiting times. Multi-fidelity Bayesian Optimization addresses the setting with measurements from different sources. Asynchronous batch Bayesian Optimization provides a framework to select new experiments before the results of the prior experiments are revealed. This paper proposes an algorithm combining multi-fidelity and asynchronous batch methods. We empirically study the algorithm behavior, and show it can outperform single-fidelity batch methods and multi-fidelity sequential methods. As an application, we consider designing electrode materials for optimal performance in pouch cells using experiments with coin cells to approximate battery performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google