面向气候变化的贝叶斯优化:应用与基准
机器学习
2025-05-27 v2
摘要
贝叶斯优化是一种用于优化黑盒函数的强大方法,在真实函数评估代价高昂且无梯度信息可用的场景中广受欢迎。对于气候变化中许多模拟器模型不可用或采样代价高昂的优化问题,贝叶斯优化可改善应对方案。尽管已有若干气候相关应用的演示,但一直缺乏对这些应用和基准的统一综述。我们在此提供这样一篇综述,以鼓励将贝叶斯优化用于重要且高度契合的应用。我们确定了四个主要应用领域:材料发现、风电场布局、最优可再生能源控制和环境监测。对于每个领域,我们确定一个易于使用且可据此评估系统的公共基准或数据集,同时其能代表现实世界问题。由于缺乏适用于环境监测的基准,我们提出了基于空气污染数据的LAQN-BO。我们的贡献为:a)总结与气候变化相关的贝叶斯优化应用;b)确定一系列代表性基准,必要时提供示例代码;以及c)引入新基准LAQN-BO。
引用
@article{arxiv.2306.04343,
title = {Bayesian Optimisation Against Climate Change: Applications and Benchmarks},
author = {Sigrid Passano Hellan and Christopher G. Lucas and Nigel H. Goddard},
journal= {arXiv preprint arXiv:2306.04343},
year = {2025}
}
备注
To be presented at LION 19: The 19th Learning and Intelligent Optimization Conference (2025)