[논문 리뷰] Bayesian Optimisation for Sequential Experimental Design with Applications in Additive Manufacturing

Mimi Zhang, Andrew Parnell외 2명|arXiv (Cornell University)|2021. 07. 27.

Advanced Multi-Objective Optimization Algorithms참고 문헌 37인용 수 16

한 줄 요약

이 논문은 적층 제조(AM) 분야에서 순차적 실험 설계를 위한 베이지안 최적화(BO)에 대한 종합적인 가이드를 제시하며, 비용이 많이 드는 시험 횟수를 최소화하는 데 그 효율성을 입증한다. 선호도 출력을 위한 비대칭 가우시안 프로세스를 활용한 BO를 도입하고, 오픈소스 BO 라이브러리들을 비교하며 디지털 제조 분야에서의 도입을 가속화하기 위한 코드 예제를 제공한다.

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.

연구 동기 및 목표

• 실험 비용을 줄이고 적층 제조(AM)의 효율성을 향상시키기 위해 시행 횟수를 최소화함으로써 베이지안 최적화(BO)의 효과성을 입증하기 위해.
• 재료 과학 및 기타 분야에서의 성공적인 성과에도 불구하고, AM 분야에서 BO가 여전히 활용도가 낮은 점을 해결하기 위해.
• 엔지니어와 연구자들이 실제 AM 실험 설계에 BO를 구현할 수 있도록 실용적이고 코드 기반의 가이드를 제공하기 위해.
• 표준이 아닌 데이터 유형, 예를 들어 선호도 출력(예: 쌍별 비교)으로의 BO 확장하여 AM 분야에서의 적용 범위를 넓히기 위해.
• 실무적 기준에 기반해 오픈소스 BO 라이브러리를 비교하여 실무자들이 소프트웨어 선택에 도움을 주기 위해.

제안 방법

• 확률적 서rogate 모델을 사용하여 탐색과 이용의 균형을 이루는 방식으로, 베이지안 최적화(BO)를 활용해 가장 정보가 많은 실험을 순차적으로 선택한다.
• 실수값 출력에 대해서는 가우시안 프로세스(GP) 서rogate 모델을, 선호도 출력에 대해서는 비대칭 가우시안 프로세스(SkewGP)를 사용한다. 선호도 출력의 경우 오직 쌍별 비교 데이터만 제공된다.
• 비대칭 가우시안 프로세스(SkewGP) 라이브러리를 활용해 불확실성을 모델링하고, 선호도 데이터로부터 다음 최적의 실험 설정을 예측한다.
• 배치 최적화와 제약 조건 최적화를 BO 프레임워크에 통합하여, 다중 정밀도 및 다중 목표 AM 설계 문제를 다룬다.
• 레이저 출력, 스캐닝 속도, 층 두께를 입력으로, 표면 거칠기를 출력으로 사용하는 실제 AM 사례 연구를 수행하며, 태지 L16 설계에서 유래한 21개의 초기 실험을 활용한다.
• 실험 데이터로부터 생성한 선호도 목록을 활용해 SkewGP를 통해 BO를 이끌며, 정확한 측정값이 없어도 최적화가 가능하도록 한다.

실험 결과

연구 질문

• RQ1 베이지안 최적화는 선택적 레이저 용융 적층 제조에서 표면 거칠기를 최적화하기 위해 필요한 실험 횟수를 어떻게 줄일 수 있는가?
• RQ2 AM 응용 분야에서 오픈소스 베이지안 최적화 라이브러리를 선택할 때 고려해야 할 주요 실무적 고려사항은 무엇인가?
• RQ3 정확한 측정값 대신 상대적 순위(예: 쌍별 비교)만 제공되는 선호도 출력 데이터를 처리하기 위해 베이지안 최적화는 어떻게 적응시킬 수 있는가?
• RQ4 수렴 속도, 확장성, 제약 조건 지원 측면에서 주요 오픈소스 BO 라이브러리 간의 성능 차이는 무엇인가?
• RQ5 다중 정밀도 및 다중 목표 AM 실험 설계에 대해 BO는 효과적으로 적용될 수 있는가? 디지털 제조의 가속화에 기여하는가?

주요 결과

• 베이지안 최적화는 이전 데이터를 바탕으로 가장 정보가 많은 다음 시행을 지능적으로 선택함으로써 AM 분야에서 시행 횟수를 크게 줄일 수 있다.
• 비대칭 가우시안 프로세스(SkewGP) 모델은 선호도 데이터를 활용한 효과적인 BO를 가능하게 하여, 오직 상대적 순위만 제공되는 경우에도 최적화가 가능하게 한다.
• 이 연구는 BO 소프트웨어 선택을 위한 9개의 실무 기준을 규명하고 비교하였으며, SkewGP 라이브러리는 잘못된 실험 플래그를 포함한 혼합형 출력 유형에 대해 강력한 지원을 보였다.
• 제안된 방법은 선호도 데이터를 기반으로 (212.93 W, 28.89 μm, 743.46 mm/s)의 다음 최적 실험 포인트를 성공적으로 예측하여 실용적 적용 가능성을 입증하였다.
• BO 라이브러리 간의 비교 분석 결과, 성능은 사용 사례에 따라 다름을 확인하였으며, 일부 라이브러리는 배치 최적화 및 제약 조건 설정에서 뛰어난 성능을 보였다.
• BO는 잠재력이 크지만, AM 실험 설계에 통합이 아직 충분히 이루어지지 않은 상황이며, 이 논문은 지능형 제조 분야에서의 도입을 가속화하기 위한 코드 준비 완료된 참조 자료를 제공한다.