uqfoundation/mystic

해결하는 문제

Mystic은 복잡하고 비볼록하며 제약 조건이 많은 비선형 최적화 문제를 해결하는 어려움을 다룹니다. 과학적 기계 학습, 불확실성 정량화(UQ) 및 AI를 위한 견고한 프레임워크를 제공하여, 최적화 프로세스를 정밀하게 모니터링, 유도 및 제어해야 하는 사용자의 진입 장벽을 낮춥니다.

작동 방식

이 프레임워크는 공통 API를 통해 다양한 최적화 알고리즘을 구현하여 사용자가 코드를 다시 작성하지 않고도 솔버를 교체할 수 있도록 합니다. "하드 제약 조건"(유효한 영역으로 탐색을 제한)과 "소프트 제약 조건"(무효한 영역에 페널티 부여)을 모두 지원합니다. 기계 학습 및 UQ를 촉진하기 위해 Mystic은 샘플링, 보간 및 통계를 통합하며, 제약 조건을 ML용 커널 변환으로 변환하는 도구와 응답 표면의 임계점을 향해 데이터 수집을 유도하는 적응형 샘플러를 포함합니다.

대상 사용자

최적화 워크플로우에 대한 세밀한 제어, 병렬 컴퓨팅 기능 및 복잡한 매개변수 제약 조건을 처리할 수 있는 능력이 필요한 과학적 기계 학습, AI 및 불확실성 정량화 분야의 연구자와 엔지니어를 위해 설계되었습니다.

주요 특징

• 세밀한 제어: Step 및 Solve 명령을 사용하여 최적화를 반복 단위로 일시 중지, 계속 또는 유도할 수 있는 기능.
• 유연한 제약 조건: 광범위한 확률적 및 차원 축소 제약 조건과 등식 및 부등식의 기호적 변환을 지원.
• 견고한 워크플로우: 내장된 체크포인팅, 동적 재구성 및 사용자 정의 종료 조건 제공.
• 병렬 실행: pathos 패키지를 통해 개별 반복 및 솔버 앙상블 모두에 대해 병렬 및 분산 컴퓨팅 활용.
• ML 통합: 불규칙한 그리드에서 에뮬레이터를 생성하고 최적화 도구 유도 샘플링을 통해 정보량이 많은 훈련 데이터 세트를 생성하는 도구 제공.