面向融合能源与科学应用的人类循环元贝叶斯优化
机器学习
2026-05-04 v1 人工智能
等离子体物理
摘要
惯性约束融合（ICF）拥有可持续、接近极限的清洁能源的变革性前景，但仍受高昂成本和有限实验机会的制约。本文提出了人类循环元贝叶斯优化（HL-MBO），一个集成专家知识于少量样本、具不确定性感知机器学习，以加速数据稀缺、高风险科学领域的发现框架。HL-MBO 引入一个元学习的代理模型，搭配专家信息化获取函数，以推荐候选实验。为了促进信任并启用明确的决策，HL-MBO 还提供其建议的可解释解释。我们展示 HL-MBO 在 ICF 能量产量优化方面优于当前 BO 方法，以及在分子优化和超导材料临界温度最大化基准测试中的表现。
引用
@article{arxiv.2605.00068,
title = {Human-in-the-Loop Meta Bayesian Optimization for Fusion Energy and Scientific Applications},
author = {Ricardo Luna Gutierrez and Sahand Ghorbanpour and Ejaz Rahman and Varchas Gopalaswamy and Riccardo Betti and Vineet Gundecha and Aarne Lees and Soumyendu Sarkar},
journal= {arXiv preprint arXiv:2605.00068},
year = {2026}
}
备注
Accepted at IJCAI 2026 (35th International Joint Conference on Artificial Intelligence)