BoFire: 面向真实实验的贝叶斯优化框架
机器学习
2024-08-12 v1 最优化与控制
机器学习
摘要
我们的开源 Python 包 BoFire 将贝叶斯优化（BO）与其他面向新化学开发与优化的实验设计（DoE）策略相结合。文献或软件中已有的先前 BO 实现需要大量适配才能在化学工业中实现有效的实际部署。BoFire 提供了丰富的功能集和广泛的配置能力，并通过可维护的开源软件实现了将研究成果快速转化为工业应用的愿景。得益于问题表述的 JSON 可序列化等易用性功能，BoFire 实现了 BO 与 RESTful API 的无缝集成，而 RESTful API 是自动驾驶实验室和人机协同设置中常见的架构组件。本文讨论了 BoFire 与其他 BO 实现之间的差异，并概述了 BO 研究需要如何适配以在化学环境中实现实际应用。
引用
@article{arxiv.2408.05040,
title = {BoFire: Bayesian Optimization Framework Intended for Real Experiments},
author = {Johannes P. Dürholt and Thomas S. Asche and Johanna Kleinekorte and Gabriel Mancino-Ball and Benjamin Schiller and Simon Sung and Julian Keupp and Aaron Osburg and Toby Boyne and Ruth Misener and Rosona Eldred and Wagner Steuer Costa and Chrysoula Kappatou and Robert M. Lee and Dominik Linzner and David Walz and Niklas Wulkow and Behrang Shafei},
journal= {arXiv preprint arXiv:2408.05040},
year = {2024}
}
备注
6 pages, 1 figure, 1 listing