[논문 리뷰] Modifier Adaptation Meets Bayesian Optimization and Derivative-Free Optimization.

Ehecatl Antonio del Rio‐Chanona, Panagiotis Petsagkourakis외 3명|arXiv (Cornell University)|2020. 09. 18.

Advanced Control Systems Optimization참고 문헌 69인용 수 5

한 줄 요약

이 논문은 불확실한 과정의 실시간 최적화에서 식물-모델 불일치 문제를 해결하기 위해 베이지안 최적화와 도함수 기반 방법을 통합한 새로운 수정자-적응 프레임워크를 제안한다. 불일치를 모델링하기 위해 가우시안 프로세스 회귀를 사용하고, 위험을 관리하기 위해 트러스트 영역 전략을 적용함으로써, 수확 함수를 통해 효율적이고 안전한 탐색을 유도하는 방법이다. 반기계적 광합성 반응기 사례 연구에서 향상된 성능을 입증하였다.

ABSTRACT

This paper investigates a new class of modifier-adaptation schemes to overcome plant-model mismatch in real-time optimization of uncertain processes. The main contribution lies in the integration of concepts from the areas of Bayesian optimization and derivative-free optimization. The proposed schemes embed a physical model and rely on trust-region ideas to minimize risk during the exploration, while employing Gaussian process regression to capture the plant-model mismatch in a non-parametric way and drive the exploration by means of acquisition functions. The benefits of using an acquisition function, knowing the process noise level, or specifying a nominal process model are illustrated on numerical case studies, including a semi-batch photobioreactor optimization problem.

연구 동기 및 목표

• 실시간 최적화에서 불확실한 과정의 식물-모델 불일치 문제를 해결하기 위해.
• 불확실성 하에서 최적화 탐색 중 위험을 줄이기 위해.
• 물리 모델과 불일치의 비모수적 모델링을 활용하여 수렴성과 강건성을 향상시키기 위해.
• 가우시안 프로세스 회귀를 사용해 안전한 탐색을 보장하는 트러스트 영역 기반 프레임워크를 개발하기 위해.
• 수확 함수, 노이즈 수준 지식, 노미널 모델 사양이 최적화 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 방법은 최적화의 기초로 물리 모델을 사용한다.
• 실험 데이터로부터 식물-모델 불일치를 비모수적으로 모델링하기 위해 가우시안 프로세스 회귀를 사용한다.
• 탐색 단계를 제한하고 안정성 및 위험 최소화를 보장하기 위해 트러스트 영역 제약 조건을 적용한다.
• GP 사후 분포에서 유도된 수확 함수가 새로운 최적화 점의 선택을 안내한다.
• 기대 개선도 또는 유사 기준을 사용해 탐색과 이용의 동적 균형을 유지한다.
• 각 실험 후 GP 모델과 트러스트 영역을 업데이트하는 방식으로 반복적으로 적용된다.

실험 결과

연구 질문

• RQ1 베이지안 최적화를 활용해 수정자 적응을 어떻게 향상시켜 실시간 과정 최적화의 불확실성을 줄일 수 있는가?
• RQ2 과정 노이즈 수준 지식을 통합할 경우 최적화 성능과 수렴성에 어떤 영향을 미치는가?
• RQ3 노미널 과정 모델을 명시할 경우 최적화 프레임워크의 효율성과 강건성은 어떻게 영향을 받는가?
• RQ4 수확 함수는 무작위 또는 기울기 기반 전략에 비해 탐색 효율성을 얼마나 향상시키는가?
• RQ5 트러스트 영역 제약 조건은 최적 해에 수렴하는 동안 위험을 효과적으로 제한할 수 있는가?

주요 결과

• 가우시안 프로세스 회귀의 통합은 비모수적 방식으로 식물-모델 불일치를 정확하게 모델링할 수 있게 하며, 모수적 가정이 필요로 하지 않는다.
• 과정 노이즈 수준 지식을 통합하면 최적화 과정의 신뢰성과 수렴성이 크게 향상된다.
• 수확 함수의 사용은 기준 전략에 비해 더 빠른 수렴과 더 적은 실험 횟수를 가능하게 한다.
• 트러스트 영역 제약 조건은 탐색 단계를 효과적으로 제한하여 불안정하거나 발산하는 최적화 경로의 위험을 줄인다.
• 제안된 방법은 반기계적 광합성 반응기 사례 연구에서 불확실성 하에서도 강건성과 효율성을 입증하며 뛰어난 성능을 달성한다.
• 노미널 과정 모델을 명시함으로써 초기 수렴 속도가 향상되고 초기 반복에서 광범위한 데이터 수집이 줄어든다.