Search Strategies for Self-driving Laboratories with Pending Experiments

要約

自動運転ラボラトリー (SDL) は、材料の合成と特性評価のタスクを実行する複数のステーションで構成されます。
ステーションのダウンタイムを最小限に抑え、実験のスループットを最大化するには、複数の実験を異なる段階で同時に実行する非同期並列で実験を実行することが現実的です。
ただし、実験の非同期並列化では遅延フィードバック (つまり、「保留中の実験」) が発生し、ベイジアン オプティマイザーのパフォーマンスが低下することが知られています。
ここでは、マルチステージ SDL のシミュレーターを構築し、遅延フィードバックと非同期並列操作に対処するための最適化戦略を比較します。
実際の SDL からのデータを使用して、機能性コーティングの導電率を最大化するために以前に実行された 177 件の実験からグランド トゥルース ベイジアン最適化シミュレーターを構築します。
次に、期待される改善、ノイズを含む期待される改善、4 モード探索、ランダム サンプリングなどの検索戦略を比較します。
遅延量と問題の次元の観点からパフォーマンスを評価します。
私たちのシミュレーション結果は、非同期並列操作と遅延フィードバックの間のトレードオフを示しています。

要約(オリジナル)

Self-driving laboratories (SDLs) consist of multiple stations that perform material synthesis and characterisation tasks. To minimize station downtime and maximize experimental throughput, it is practical to run experiments in asynchronous parallel, in which multiple experiments are being performed at once in different stages. Asynchronous parallelization of experiments, however, introduces delayed feedback (i.e. ‘pending experiments’), which is known to reduce Bayesian optimiser performance. Here, we build a simulator for a multi-stage SDL and compare optimisation strategies for dealing with delayed feedback and asynchronous parallelized operation. Using data from a real SDL, we build a ground truth Bayesian optimisation simulator from 177 previously run experiments for maximizing the conductivity of functional coatings. We then compare search strategies such as expected improvement, noisy expected improvement, 4-mode exploration and random sampling. We evaluate their performance in terms of amount of delay and problem dimensionality. Our simulation results showcase the trade-off between the asynchronous parallel operation and delayed feedback.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google