aphBO-2GP-3B：高性能计算架构上面向约束贝叶斯优化的带预算异步并行多采集函数方法
机器学习
2021-02-08 v2 机器学习
统计计算
摘要
高保真复杂工程仿真具有高度预测性，但计算代价高昂且常需大量计算投入。计算负担的缓解通常借助高性能集群（HPC）架构中的并行实现。本文提出一种异步约束批量并行贝叶斯优化方法，以在具预算计算资源（最大仿真数为常数）的 HPC 平台上高效求解计算昂贵的基于仿真的优化问题。该方法的优势有三。其一，提升了贝叶斯优化的效率，其中多个输入位置以异步方式大规模并行评估，从而相对于物理运行时间加速优化收敛。该效率特征进一步改进：当各输入完成时，即查询另一输入，而无需等待整批完成。其二，该方法可处理已知与未知约束。其三，所提方法同时考虑若干采集函数，并使用改进的 GP-Hedge 方案基于演化的概率质量分布函数采样，其中参数对应于各采集函数的性能。所提框架称为 aphBO-2GP-3B，对应带两个高斯过程与三个批次的异步并行 hedge 贝叶斯优化。aphBO-2GP-3B 框架通过两个高保真昂贵工业应用予以展示，其一基于有限元分析（FEA），其二基于计算流体动力学（CFD）仿真。
引用
@article{arxiv.2003.09436,
title = {aphBO-2GP-3B: A budgeted asynchronous parallel multi-acquisition functions for constrained Bayesian optimization on high-performing computing architecture},
author = {Anh Tran and Mike Eldred and Tim Wildey and Scott McCann and Jing Sun and Robert J. Visintainer},
journal= {arXiv preprint arXiv:2003.09436},
year = {2021}
}