はじめに¶
PHYSBO とは¶
PHYSBO(optimization tool for PHYSics based on Bayesian Optimization)は、高速でスケーラブルなベイズ最適化 (Bayesian optimization) のためのPythonライブラリです。 COMBO(COMmon Baysian Optimization)をもとに、主に物性分野の研究者をターゲットに開発されました。 物理、化学、材料分野において、データ駆動的な実験計画アルゴリズムによって科学的発見を加速する、という試みが多く行われています。 ベイズ最適化は、このような科学的発見を加速するために有効なツールです。 ベイズ最適化は、複雑なシミュレーションや、実世界における実験タスクなど、目的関数値（特性値など）の評価に大きなコストがかかるような場合に利用できる手法です。つまり、「できるだけ少ない実験・シミュレーション回数でより良い目的関数値（材料特性など）を持つパラメータ（材料の組成、構造、プロセスやシミュレーションパラメータなど）を見つけ出す」ことが、ベイズ最適化によって解かれる問題です。ベイズ最適化では、探索するパラメータの候補をあらかじめリストアップし、候補の中から目的関数値が最大と考えられる候補を機械学習（ガウス過程回帰を利用）による予測をうまく利用することで選定します。その候補に対して実験・シミュレーションを行い目的関数値を評価します。機械学習による選定・実験シミュレーションによる評価を繰り返すことにより、少ない回数での最適化が可能となります。 一方で、一般的にベイズ最適化は計算コストが高く、scikit-learn 等のスタンダードな実装では、多くのデータを扱うことが困難です。 PHYSBOでは以下の特徴により、高いスケーラビリティを実現しています。
- Thompson Sampling
- random feature map
- one-rank Cholesky update
- automatic hyperparameter tuning
技術的な詳細については、こちらの文献 を参照して下さい。
PHYSBO の引用¶
PHYSBOを引用する際には、以下の文献を引用してください、
Tsuyoshi Ueno, Trevor David Rhone, Zhufeng Hou, Teruyasu Mizoguchi and Koji Tsuda, COMBO: An Efficient Bayesian Optimization Library for Materials Science, Materials Discovery 4, 18-21 (2016). Available from https://doi.org/10.1016/j.md.2016.04.001
Bibtexは以下の通りです。
@article{Ueno2016,
title = "COMBO: An Efficient Bayesian Optimization Library for Materials Science ",
journal = "Materials Discovery",
volume = "4",
pages = "18-21",
year = "2016",
doi = "http://dx.doi.org/10.1016/j.md.2016.04.001",
url = "http://www.sciencedirect.com/science/article/pii/S2352924516300035",
author = "Tsuyoshi Ueno and Trevor David Rhone and Zhufeng Hou and Teruyasu Mizoguchi and Koji Tsuda",
}
主な開発者¶
- ver. 0.1
- 田村 亮 (物質・材料研究機構 国際ナノアーキテクトニクス研究拠点)
- 寺山 慧 (横浜市立大学大学院 生命医科学研究科)
- 津田 宏治 (東京大学大学院 新領域創成科学研究科)
- 本山 裕一 (東京大学 物性研究所)
- 吉見 一慶 (東京大学 物性研究所)
- 川島 直輝 (東京大学 物性研究所)