Descripción del proyecto
Optimizar las cajas negras en biomedicina y mecánica computacional
Los algoritmos de optimización de las cajas negras se utilizan ampliamente para resolver problemas en diversos sectores industriales y ámbitos académicos. Dada su importancia, se han desarrollado numerosos algoritmos con distintas ventajas y desventajas. El equipo del proyecto dynaBBO, financiado por el CEI, pretende mejorar las técnicas de optimización de las cajas negras cambiando dinámicamente entre distintos algoritmos en tiempo real. Aborda dos cuestiones de investigación: cuándo cambiar de algoritmo y cómo arrancar en caliente el solucionador seleccionado para mantener una búsqueda eficaz. En el proyecto se integran conocimientos sobre los algoritmos de optimización con técnicas de aprendizaje automático para diseñar métodos de selección y configuración de algoritmos basados en trayectorias. Los resultados se validarán en aplicaciones de biomedicina y mecánica computacional.
Objetivo
"Black-box optimization algorithms are among the most widely applied optimization techniques in practice, used to solve numerous problems across a broad range of industrial branches and academic disciplines every day. Given this importance, it is not surprising that a plethora of different black-box optimization algorithms exist, complementing each other in strengths and weaknesses.
In the dynaBBO project, we set out to obtain more efficient black-box optimization techniques by leveraging this complementarity, both with respect to different problem instances and with respect to different stages of the optimization process. To this end, we will develop approaches that select and dynamically switch between different black-box optimization algorithms ""on the fly"".
The two key research questions that guide our project are (1) when to switch from one algorithm to another, and (2) how to warm-start the selected solver so that it can continue the search as effectively as possible. Both questions are largely under-explored and are handled rather naively in practice.
To obtain our dynamic approaches, we intertwine insights about black-box optimization algorithms, obtained through rigorous theoretical analyses, with automated machine learning techniques. In particular, we will design trajectory-based algorithm selection and configuration techniques that combine exploratory landscape analysis with newly designed algorithm features that capture information about the solver-instance interaction. We compare the efficiency of these feature-based approaches with deep learning techniques, reinforcement learning, and approaches based on hyperparameter optimization.
We will further increase our project's impact by validating its results on applications in bio-medicine and in computational mechanics."
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialaprendizaje automáticoaprendizaje profundo
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Régimen de financiación
HORIZON-ERC - HORIZON ERC GrantsInstitución de acogida
75794 Paris
Francia