.png){kind=icon}
返回
BEACON: a Bayesian optimization inspired strategy for efficient novelty search
.png){kind=icon}
PRE
AI
DOI：10.1039/d6dd00123h.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
新颖性搜索（NS）旨在通过模拟或实验揭示多样的系统行为，而无需预先设定的标量目标。这一能力特别适用于现代化学、材料科学和分子设计中的发现问题，在这些领域，研究人员通常寻求对可实现属性空间的广泛覆盖，而非单一最优解，且每次评估可能需要高昂的计算或实验成本。针对此类高成本黑箱场景，我们提出BEACON，一种受贝叶斯优化原理启发的样本高效NS策略。BEACON使用多输出高斯过程建模输入-输出映射，并通过评分先前观测结果的去噪档案中合理后验结果的距离来选择新输入。这提供了一种基于距离的新颖性获取方法，可在连续输出空间中直接操作，同时考虑预测不确定性和观测噪声，而不需要对行为离散分区进行直接优化。通过利用高效的后验采样与可扩展的高维高斯过程模型，所提出的框架可扩展至大数据集和高维设计变量的场景。我们在标准基准问题和材料与分子发现的实际案例研究中验证了BEACON。在所有这些场景中，BEACON在有限的评估预算下始终能发现比多个竞争基线更广泛的多样行为集合。
期刊
IF:
5.6
论文数:
997
被引数:
1.7K
机构
引用论文
暂无论文信息