材料与分子研究中多保真贝叶斯优化的最佳实践
机器学习
2025-06-03 v3
摘要
多保真贝叶斯优化 (MFBO) 是一种有前景的框架，可加快材料和分子发现速度，因为在不同准确度的来源在不断增加的成本下可用。尽管其在化学任务中的潜力显而亮起，但对许多在 MFBO 中发挥作用的参数进行系统评估仍不足。本文提供了指南和建议，以帮助决定何时在实验设置中使用 MFBO。我们对用于分子和材料问题的 MFBO 方法进行了测试。首先，我们在两个人工问题中测试了两种不同的获取函数族，并研究了近似函数的可获取性和成本的影响。我们使用自己的实现和指南来对三个真实发现问题进行基准测试，并将其与其单保真对应物进行比较。我们的结果可能有助于指导未来将 MFBO 作为化学科学中常规工具的实现 efforts。
引用
@article{arxiv.2410.00544,
title = {Best Practices for Multi-Fidelity Bayesian Optimization in Materials and Molecular Research},
author = {Víctor Sabanza-Gil and Riccardo Barbano and Daniel Pacheco Gutiérrez and Jeremy S. Luterbacher and José Miguel Hernández-Lobato and Philippe Schwaller and Loïc Roch},
journal= {arXiv preprint arXiv:2410.00544},
year = {2025}
}