Summary
Η ανακάλυψη και ο σχεδιασμός σύγχρονων λειτουργικών υλικών αποτελούν ένα ιδιαίτερα απαιτητικό πρόβλημα, καθώς ο χώρος πιθανών συνδυασμών δομικών και χημικών χαρακτηριστικών είναι εξαιρετικά μεγάλος. Η εξαντλητική διερεύνηση αυτού του χώρου μέσω παραδοσιακών υπολογιστικών ή πειραματικών προσεγγίσεων καθίσταται στην πράξη ανέφικτη, λόγω του υψηλού υπολογιστικού και χρονικού κόστους. Τα τελευταία χρόνια, η αξιοποίηση μεθόδων μηχανικής μάθησης και βελτιστοποίησης έχει συμβάλει σημαντικά στην επιτάχυνση της διαδικασίας ανακάλυψης υλικών. Οι προσεγγίσεις αυτές επιτρέπουν μια πιο στοχευμένη και αποδοτική εξερεύνηση πολύπλοκων χώρων σχεδιασμού. Σε αυτό το πλαίσιο, η Bayesian Optimization (BO) έχει αναδειχθεί ως μία από τις πλέον κατάλληλες τεχνικές για προβλήματα όπου η αξιολόγηση των υποψήφιων λύσεων είναι δαπανηρή, καθώς μπορεί να εντοπίσει υψηλής ποιότητας λύσεις με περιορισμένο αριθμό αξιολογήσεων. Παρά τα πλεονεκτήματά της, η απόδοση της BO επηρεάζεται αρνητικά όταν εφαρμόζεται σε πολύ μεγάλους χώρους αναζήτησης, καθώς σημαντικό μέρος των διαθέσιμων αξιολογήσεων κατανέμεται σε περιοχές χαμηλού ενδιαφέροντος. Για την αντιμετώπιση του προβλήματος αυτού, η παρούσα εργασία εξετάζει τον συνδυασμό της Bayesian Optimization με τεχνικές Active Learning, με στόχο τη μείωση του χώρου αναζήτησης και τη βελτίωση της αποδοτικότητας της διαδικασίας βελτιστοποίησης. Συγκεκριμένα, προτείνεται ένα πλαίσιο στο οποίο η Bayesian Optimization εφαρμόζεται αρχικά στον πλήρη χώρο σχεδιασμού, προκειμένου να συλλεχθούν αντιπροσωπευτικά και πληροφοριακά δείγματα. Στη συνέχεια, αξιοποιείται μια μέθοδος Active Learning βασισμένη σε ταξινόμηση (DAGS), η οποία επιτρέπει τον διαχωρισμό του χώρου σε περιοχές υψηλού και χαμηλού δυναμικού. Μέσω αυτής της διαδικασίας, απομακρύνονται υποψήφιες λύσεις με χαμηλή απόδοση και προκύπτει ένας σημαντικά μικρότερος και πιο εστιασμένος χώρος αναζήτησης. Η Bayesian Optimization εφαρμόζεται εκ νέου στον μειωμένο αυτό χώρο, επιτρέποντας ταχύτερη σύγκλιση και αποδοτικότερη αξιοποίηση των διαθέσιμων αξιολογήσεων. Η προτεινόμενη μεθοδολογία αξιολογείται τόσο σε μονοκριτηριακά όσο και σε πολυκριτηριακά προβλήματα βελτιστοποίησης. Τα αποτελέσματα δείχνουν ότι η μείωση του χώρου αναζήτησης μπορεί να οδηγήσει σε σημαντική βελτίωση της αποδοτικότητας, χωρίς ουσιαστική απώλεια στην ποιότητα των τελικών λύσεων. Επιπλέον, αναδεικνύεται ότι ο συνδυασμός Active Learning και Bayesian Optimization μπορεί να αποτελέσει ένα αποτελεσματικό και γενικεύσιμο πλαίσιο για την εξερεύνηση μεγάλων χώρων σχεδιασμού, ιδιαίτερα σε εφαρμογές που αφορούν νανοπορώδη υλικά, όπως τα Covalent Organic Frameworks (COFs).
