Description du projet
Optimisation à boîte noire pour la biomédecine et la mécanique computationnelle
Les algorithmes d’optimisation à boîte noire sont largement utilisés pour résoudre des problèmes dans divers secteurs industriels et domaines universitaires. Compte tenu de leur importance, de nombreux algorithmes présentant des forces et des faiblesses distinctes ont été développés. Le projet dynaBBO, financé par le CER, vise à améliorer les techniques d’optimisation à boîte noire en passant dynamiquement d’un algorithme à l’autre en temps réel. Il aborde deux questions de recherche: quand changer d’algorithme et comment démarrer à chaud le solveur sélectionné pour maintenir une recherche efficace. Le projet intègre des connaissances sur les algorithmes d’optimisation avec des techniques d’apprentissage automatique pour concevoir des méthodes de sélection et de configuration d’algorithmes basées sur la trajectoire. Les résultats seront validés dans des applications de biomédecine et de mécanique informatique.
Objectif
"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."
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatiqueapprentissage profond
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2023-COG
Voir d’autres projets de cet appelRégime de financement
HORIZON-ERC - HORIZON ERC GrantsInstitution d’accueil
75794 Paris
France