High-Performance Optimization Algorithm based on Machine Learning and Search
Project/Area Number |
23K20387
|
Project/Area Number (Other) |
20H04251 (2020-2023)
|
Research Category |
Grant-in-Aid for Scientific Research (B)
|
Allocation Type | Multi-year Fund (2024) Single-year Grants (2020-2023) |
Section | 一般 |
Review Section |
Basic Section 61030:Intelligent informatics-related
|
Research Institution | Kyushu University |
Principal Investigator |
美添 一樹 九州大学, 情報基盤研究開発センター, 教授 (80449115)
|
Project Period (FY) |
2020-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2024)
|
Budget Amount *help |
¥17,680,000 (Direct Cost: ¥13,600,000、Indirect Cost: ¥4,080,000)
Fiscal Year 2024: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
Fiscal Year 2023: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
Fiscal Year 2022: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
Fiscal Year 2021: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
Fiscal Year 2020: ¥8,190,000 (Direct Cost: ¥6,300,000、Indirect Cost: ¥1,890,000)
|
Keywords | 探索アルゴリズム / 機械学習 / 化合物探索 / データマイニング / 並列計算 / 並列化 / グラフ探索 / 並列アルゴリズム / 組合せ最適化 / 探索 / 最適化 / 高性能計算 |
Outline of Research at the Start |
機械学習手法の発展によって従来数値で表せなかった様々なデータが計算機で効率良く処理できるようになっている。進歩した機械学習モデルを用いて最適化や探索を行うことによって、さらに多くの分野で実問題を解くことが可能となりつつある。機械学習手法単独での研究は盛んに行われているが、探索アルゴリズムと組み合わせた場合の研究は世界的に不足している。本研究では機械学習と探索アルゴリズムを組み合わせて、汎用性が高く高性能な最適化手法を開発することにより、多くの実問題に適用可能なソルバーの実現へ繋げることを目指す。
|
Outline of Annual Research Achievements |
引き続き、探索アルゴリズムと機械学習を用いた手法の研究を継続している。当該年度では特に、応用分野での実性能の向上に注力し、利便性と性能を両立したソフトウェアとして成果を公開している。 グラフ探索アルゴリズムと機械学習の応用分野の中でも本研究で重視しているテーマである新規化合物発見において、計算化学シミュレーションによるサンプリングを利用した並列モンテカルロ木探索 (MCTS) による化合物発見が良好な成果を得た。特に、蛍光物質の発見への応用で、探索の結果得られた化合物の候補から8種類を実際に作成し、そのうち6種類が目視可能な強度での発光をすることが確認された。 上記の成果は並列モンテカルロ木探索と機械学習の組み合わせによって実現されているが、そのアルゴリズムについて、さらに利便性と性能を向上させたオープンソフトウェアChemTSv2として公開している。特に、並列アルゴリズムはスーパーコンピュータなどの高速な計算資源の利用に不可欠だが、グラフ探索アルゴリズムにおいては並列化されたツールの提供は希である。我々のChemTSv2はさらに、計算機に関する専門的な知識を持たない利用者でも容易に利用可能な形態で提供されており、これは研究成果の普及について重要な貢献だと言える。 さらに、機械学習手法を化合物モデルに適用する研究に取り組んだ。化合物の性質を計算化学シミュレーションで計算する場合には最低数分かかるが、これを機械学習モデルで高速に近似することにより探索アルゴリズムの全体の性能を向上させることが期待される。未発表だが、来年度以降に向けて研究を継続している。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
グラフ探索アルゴリズムと機械学習の応用面で非常に良好な性能を得ており、実用性を証明できたと考えている。応用面に注力したため論文発表件数は少なくなっているが、研究のフェーズのためであり研究自体の進捗には特に問題ない。
|
Strategy for Future Research Activity |
当初からの重要な要素である機械学習と探索アルゴリズムの組み合わせについては、特に化合物探索に関する応用で良好な成果を得ている。該当年度では特に応用面で成果を得た上、研究成果をオープンソースソフトウェアとして提供しているが、今後も研究成果をソフトウェアに還元し、さらなる性能向上や、化合物以外の対象への応用を目指す。 特に、現在まで化合物をかなり重視しているが、利用している手法はかなり汎用性の高い物であり、幅広い分野への応用が期待される。並列化性能も既に良好な性能を得ているが、さらに向上の余地がある。アルゴリズムやソフトウェアの改良によって性能向上と応用範囲の拡大を目指す。
|
Report
(3 results)
Research Products
(11 results)