要旨: 実験計画のモデルベース設計（MBDOE）は、非線形動的システムにおける効率的なパラメータ推定に不可欠である。しかし、従来の適応型MBDOEでは、各実験ステップの間で高コストな事後推論と設計最適化が必要となり、リアルタイム応用を妨げている。そこで本研究では、逐次的な設計をオフラインで学習したニューラルネットワーク方策へと償却するDeep Adaptive Design（DAD）と、微分可能なメカニスティックモデルを組み合わせることでこれに対処する。支配方程式は既知だがパラメータが不確かな動的システムに対して、逐次的なコントラスト学習の目的関数を拡張し、迷惑（ナイサンス）パラメータを扱えるようにする。そして、動的システムの時間構造を尊重するトランスフォーマーベースの方策アーキテクチャを提案する。提案手法を、複雑さを増していく4つのシステムで実証する。具体的には、Monod動力学を備えたフィードバッチバイオリアクター、不確かな基質阻害をもつHaldaneバイオリアクター、迷惑クリアランスパラメータを伴う2コンパートメント薬物動態モデル、そしてリアルタイム展開のためのDCモータである。
深層適応モデルベース実験計画法の設計
arXiv stat.ML / 2026/3/25
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、従来の適応手法では実時間用途に対して遅すぎる非線形動力学システムにおいて、パラメータ推定を高速化するための深層適応モデルベース実験計画（MBDOE）手法を提案する。
- 本手法は、逐次的な実験計画をオフラインで訓練したニューラルネットワークの方策へと償却するDeep Adaptive Design（DAD）と、微分可能な機械論的モデルを組み合わせることで、迅速な展開を可能にする。
- 著者らは、未知パラメータに加えて不要パラメータ（nuisance parameters）も考慮できるように、逐次コントラスト学習の目的関数を拡張し、トランスフォーマーベースの方策によって動力学システムの時間構造を維持する。
- 生物リアクター、薬物動態モデル、DCモータを含む、複雑性が段階的に高まる4つの動力学システムでの実験により、本手法が実時間での展開に適していることが示される。
- 全体として本研究は、オフライン訓練から再利用可能な方策を学習することで、コストの高い事後推論の必要性や、実験間でのステップごとの設計最適化を減らすことを目標としている。
