联合代理学习目标、约束与灵敏度以实现神经动力学系统的高效多目标优化
机器学习
2026-03-24 v1
摘要
生物物理神经系统模拟是最具计算需求的科学应用之一，其优化需要在众多约束下导航高维参数空间，这些约束施加了二元可行/不可行划分，且没有梯度信号来引导搜索。在这里，我们引入了 DMOSOPT，一个可扩展的优化框架，利用统一的联合学习代理模型来捕捉目标、约束和参数灵敏度之间的相互作用。通过同时学习目标景观和平滑可行性边界的近似，联合代理提供了一个统一的梯度，同时引导搜索朝向改进的目标值和更大的约束满足，而其偏导数则产生逐参数灵敏度估计，从而实现更有针对性的探索。我们从单细胞动力学到群体级网络活动验证了该框架，涵盖了神经电路建模工作流的增量阶段，并展示了在超级计算规模上以大幅减少的问题评估次数高效有效地优化高度约束问题。虽然该框架的动机和验证都在计算神经科学的背景下，但它具有通用性，适用于科学和工程领域中的约束多目标优化问题。
引用
@article{arxiv.2603.20984,
title = {Joint Surrogate Learning of Objectives, Constraints, and Sensitivities for Efficient Multi-objective Optimization of Neural Dynamical Systems},
author = {Frithjof Gressmann and Ivan Georgiev Raikov and Seung Hyun Kim and Mattia Gazzola and Lawrence Rauchwerger and Ivan Soltesz},
journal= {arXiv preprint arXiv:2603.20984},
year = {2026}
}