高次元向けメモリ誘導信頼領域ベイズ最適化（MG-TuRBO）

要旨: 交通シミュレーションとデジタルツインのキャリブレーションは、シミュレーション予算が限られている中で行う必要があるため、取り組みが難しい最適化問題である。各試行には高価なシミュレーション実行が必要であり、キャリブレーション入力とモデル誤差の関係は非凸であることが多く、さらにノイズも含まれる。キャリブレーションパラメータの数が増えるほど、問題はより困難になる。本研究では、広く用いられている自動キャリブレーション手法である遺伝的アルゴリズム（GA）と、ベイズ最適化手法（BOM）を比較する。具体的には、古典的ベイズ最適化（BO）、Trust-Region BO（TuRBO）、Multi-TuRBO、そして提案手法であるMemory-Guided TuRBO（MG-TuRBO）である。14および84の意思決定変数をもつ、2つの実世界の交通シミュレーションによるキャリブレーション問題について性能を比較する。これは、それぞれ低次元および高次元（14Dおよび84D）の設定を表す。BOMでは、2つの獲得戦略、すなわちThompson samplingと、新規の適応戦略を検討する。最終的なキャリブレーション品質、収束挙動、および複数回の実行における一貫性を用いて性能を評価する。その結果、BOMは低次元の問題においてGAよりもはるかに速く良好なキャリブレーション目標に到達することが示された。MG-TuRBOは本研究の14D設定でも同等の性能を示すが、84Dの問題では特に、提案する適応戦略と組み合わせた場合に顕著な利点が見られる。これらの結果は、MG-TuRBOが高次元の交通シミュレーションキャリブレーションに特に有用であること、また一般に高次元の問題に対しても有望であることを示唆している。