The industrial field faces the problem of process optimization by finding the factors affecting the yield of the process and controlling them appropriately. However, due to limited resources such as time and money, optimization is performed using a low evaluation budget. In addition, for process stability, the lower limit of the yield is set so that the yield must be maintained above this limit during optimization. Bayesian Optimization (BO) can be an effective solution in acquiring optimal samples that satisfy a safety constraint given a low evaluation budget. However, many existing BO algorithms have some limitations such as significant performance degradation due to model misspecification, and high computational load. Thus, we propose a practical safe BO algorithm, A-SafeBO, that effectively reduces performance degradation due to model misspecification using only a limited evaluation budget. Additionally, our algorithm performs computations for a large number of observations and high-dimensional input spaces by using Ensemble Gaussian Processes and Safe Particle Swarm Optimization. Here, we also propose a new acquisition function that leads to a wider exploration even under the constraint of safety. This will help deviate from the local optimum and achieve a better recommendation. Our algorithm empirically guarantees convergence and performance through evaluations on several synthetic benchmarks and a real-world optimization problem.
산업분야에서는 공정의 수율에 영향을 미치는 요인을 찾아 이를 적절하게 제어함으로써 공정을 최적화하는 문제를 해결해왔다. 이때 시간과 비용 등 한정된 자원으로 인해 낮은 평가 예산으로 최적화를 진행해야하는 제한사항이 존재한다. 또한 공정 안정성을 위해 수율의 하한을 설정하여 최적화 시 수율이 이 한도 이상으로 유지되어야 한다. 베이지안 최적화는 주어진 낮은 평가 예산에서 안전 제약 조건을 충족하는 최적의 제어 인자를 찾는데 효과적인 해결책이 될 수 있다. 그러나 기존의 많은 베이지안 최적화 알고리즘들은 모델 오사양으로 인한 상당한 성능 저하, 높은 계산 부하와 같은 몇 가지 제한 사항을 갖고 있다. 이러한 제한 사항들은 베이지안 최적화의 실용성을 크게 떨어뜨린다. 따라서 우리는 제한된 평가 예산만을 사용하여 잘못된 모델 사양으로 인한 성능 저하를 효과적으로 줄이는 실용적인 안전한 베이지안 최적화 알고리즘인 A-SafeBO를 제안한다. 우리의 알고리즘은 앙상블 가우시안 프로세스 및 안전한 입자 군집 최적화를 사용하여 많은 수의 관찰 및 고차원 입력 공간에 대한 계산을 빠르게 수행한다. 또한 우리는 안전의 제약 속에서도 더 넓은 탐색을 유도하는 새로운 획득 함수를 제안한다. 이를 통해 안전 제약으로 인한 탐색 제한에도 불구하고 기존의 안전한 베이지안 최적화 알고리즘들보다 더 넓은 탐색을 유도하여 더 나은 권장 제어 인자를 얻을 수 있다. 우리는 제안하는 알고리즘의 성능을 여러 합성 벤치마크 및 실제 최적화 문제에 대한 평가를 통해 경험적으로 증명합니다.
