emdgroup/baybe

해결하는 문제

BayBE(Bayesian Back End)는 복잡한 검색 공간 내에서 최적의 매개변수 구성을 찾도록 설계되었습니다. 화학 반응 최적화, 재료 배합, 3D 형상 최적화 및 가상 시뮬레이션을 위한 하이퍼파라미터 튜닝과 같이 실험 비용이 많이 들거나 시간이 많이 소요되는 실제 최적화 문제에 특히 유용합니다.

작동 방식

BayBE는 베이지안 실험 설계를 사용하여 매개변수 공간의 미지의 영역 탐색과 알려진 고성능 영역 활용의 균형을 맞춥니다. 워크플로우는 추천 루프를 따릅니다. 사용자가 검색 공간과 목표를 정의하면 BayBE가 테스트할 다음 구성 세트를 추천합니다. 사용자가 결과(측정값)를 제공하면 BayBE는 향후 추천을 개선하기 위해 모델을 업데이트합니다.

대상

물리적 또는 가상 실험을 최적화해야 하는 산업 및 학계의 연구원과 엔지니어, 특히 화학 물질이나 복잡한 하이브리드 검색 공간을 다루는 사람들을 대상으로 합니다.

하이라이트

• 하이브리드 검색 공간: 단일 공간에서 연속 및 이산 매개변수를 모두 지원합니다.
• 화학 인코딩: SubstanceParameter를 통해 화학 지문(예: MORDRED)에 대한 기본 제공 지원을 포함하여 단순 원-핫 인코딩보다 최적화 효율성을 높입니다.
• 유연한 최적화: 능동 학습, AB 테스트를 위한 밴딧 모델, 여러 충돌하는 대상에 대한 파레토 최적화를 포함한 다양한 전략을 제공합니다.
• 고급 워크플로우: 비동기 캠페인, 이전 캠페인의 전이 학습 및 성능 평가를 위한 백테스팅을 지원합니다.