[論文レビュー] Bayesian Optimisation for Sequential Experimental Design with Applications in Additive Manufacturing

Mimi Zhang, Andrew Parnell+2 more|arXiv (Cornell University)|Jul 27, 2021

Advanced Multi-Objective Optimization Algorithms参考文献 37被引用数 16

ひとこと要約

本稿は、添加製造（AM）における逐次実験設計のためのベイズ最適化（BO）の包括的ガイドを提示し、高価な試行回数を最小限に抑える効率性を示している。偏りガウス過程を用いた順序付き出力（preferential outputs）のBOの導入、オープンソースBOライブラリの比較、デジタル製造分野への採用を促進するためのコード例を提供している。

ABSTRACT

Bayesian optimization (BO) is an approach to globally optimizing black-box objective functions that are expensive to evaluate. BO-powered experimental design has found wide application in materials science, chemistry, experimental physics, drug development, etc. This work aims to bring attention to the benefits of applying BO in designing experiments and to provide a BO manual, covering both methodology and software, for the convenience of anyone who wants to apply or learn BO. In particular, we briefly explain the BO technique, review all the applications of BO in additive manufacturing, compare and exemplify the features of different open BO libraries, unlock new potential applications of BO to other types of data (e.g., preferential output). This article is aimed at readers with some understanding of Bayesian methods, but not necessarily with knowledge of additive manufacturing; the software performance overview and implementation instructions are instrumental for any experimental-design practitioner. Moreover, our review in the field of additive manufacturing highlights the current knowledge and technological trends of BO. This article has a supplementary material online.

研究の動機と目的

• 実験コストの低減と添加製造（AM）における効率の向上を実現するため、試行回数を最小限に抑えることでベイズ最適化（BO）の有効性を示すこと。
• 材料科学や他の分野で実証済みのBOが、AM分野では活用が不十分であるという課題に対処すること。
• エンジニアや研究者が実世界のAM実験設計にBOを実装できるように、実践的でコードベースのガイドを提供すること。
• 非標準的なデータタイプ、例えば順序付き出力（例：対比較）へのBOの拡張を図り、AM分野における応用範囲を広げること。
• 実務的基準に基づいてオープンソースBOライブラリを比較し、実務者がソフトウェア選定に役立てる支援を行うこと。

提案手法

• 探索と活用のバランスを確立する確率的代理モデルを用いて、逐次的に情報量の多い実験を選択するベイズ最適化（BO）を活用する。
• 実数出力にはガウス過程（GP）代理モデルを、順序付き出力には偏りガウス過程（SkewGP）を用い、対比較のみが利用可能な状況を想定する。
• SkewGPライブラリを用いて不確実性をモデル化し、順序付きデータから次に最適な実験設定を予測する。
• バッチ最適化と制約付き最適化をBOフレームワークに統合し、多忠実度および多目的AM設計問題に対応する。
• レーザー出力、走査速度、レイヤー厚さを入力とし、表面粗さを出力とする実際のAM事例を用い、Taguchi L16設計からの21回の初期実験を実施する。
• 実験データから作成した順位リストを用いて、正確な測定値がなくても最適化を可能にするSkewGPによるBOをガイドする。

実験結果

リサーチクエスチョン

• RQ1 ベイズ最適化は、選択的レーザー溶融による表面粗さ最適化に必要な実験回数をどの程度削減できるか？
• RQ2 AM応用におけるオープンソースベイズ最適化ライブラリの選定にあたっての主な実務的考慮事項は何か？
• RQ3 正確な測定値ではなく、順序付き出力データ（例：対比較）を扱うために、ベイズ最適化はどのように適合可能か？
• RQ4 収束速度、スケーラビリティ、制約対応性の観点から、主要なオープンソースBOライブラリ間の性能差は何か？
• RQ5 多忠実度および多目的AM実験設計にBOを効果的に適用できるか？デジタル製造の加速に寄与するか？

主な発見

• ベイズ最適化は、過去のデータに基づき次に最も情報量の多い試行を知的に選択することで、AMにおける必要な実験回数を顕著に削減する。
• 偏りガウス過程（SkewGP）モデルにより、順序付きデータを用いた効果的なBOが可能となり、実験結果の相対順位のみが入手可能な状況でも最適化が可能になる。
• 本研究ではBOソフトウェア選定のための9つの実務的基準を特定・比較し、SkewGPライブラリは無効な実験フラグを含む混合型出力に対しても強力なサポートを示した。
• 本研究で提案された手法は、順序付きデータを用いて次に最適な実験点（212.93 W, 28.89 μm, 743.46 mm/s）を正確に予測し、実用的応用の有効性を実証した。
• BOライブラリの比較分析から、性能は用途によって異なることが判明し、一部のライブラリはバッチ最適化や制約付き設定で優れた性能を示した。
• BOのAM実験設計への統合は、その潜在的効果にもかかわらず活用が不十分であるが、本稿は知的製造分野における採用を加速するためのコード準備済みのリファレンスを提供している。