化学中的多保真贝叶斯优化：开放挑战与重大考量
机器学习
2024-09-12 v1 材料科学
化学物理
摘要
多保真贝叶斯优化(MFBO)利用不同质量和资源成本的实验或计算数据，以有效的方式优化以实现目标最大值。这一方法因其能够整合来自不同数据源的特性，特别适用于化学发现。本文探讨了将MFBO应用于加速识别有前景分子或材料的Identification。我们特别分析了在何种条件下，低保真数据能比单保真问题 formulation 提供性能优势。我们解决了两个关键挑战：选择最佳获取函数、理解成本和数据保真度相关性的影响。随后，我们讨论了如何评估MFBO在化学发现中的有效性。
引用
@article{arxiv.2409.07190,
title = {Applying Multi-Fidelity Bayesian Optimization in Chemistry: Open Challenges and Major Considerations},
author = {Edmund Judge and Mohammed Azzouzi and Austin M. Mroz and Antonio del Rio Chanona and Kim E. Jelfs},
journal= {arXiv preprint arXiv:2409.07190},
year = {2024}
}