coactive.science

이 이메일 도메인이 관측된 논문 2건

arXiv:2609.09413v1cs.AI

규모를 고려한 핵심 광물 회수를 위한 의사결정 중심 능동 학습

Decision-Focused Active Learning for Scale-Aware Critical-Materials Recovery

규모 확장(scale-up)을 위한 회수 공정을 선택하려면 실험실 결과를 제품 요구 사항, 공정 비용, 규모 효과와 연결해야 한다. 본 연구는 자율 선택적 침전을 위한 Pacific Northwest National Laboratory의 CICERO(Computer Intelligence for Critical Element Recovery and Optimization) 워크플로의 기록을 분석한다. 능동 학습(active learning)은 이전 결과를 활용해 실험을 선택한다. 적합된 모델과 재활용 네오디뮴-철-붕소(NdFeB) 자석 기록을 사용한 조건부 후향적 벤치마크에서, 능동 학습은 비적응적 공간 충진(space filling)보다 적은 실험으로 기록된 최선의 결과를 찾아낸다. 농축도(enrichment)는 공급물(feed)에서의 비율 대비 선택된 희토류 대 철의 비율이다. 적응형 정책은 기록된 농축도 최댓값에 16~24개 웰(well, 개별 실험)에서 도달하는 반면, 비적응적 방식은 48개 웰이 필요하다. 본 연구의 2단계 재구성(two-stage reconstruction)은 16개 웰에서 두 가지 적응형 대안과 동률을 이룬다. 재활용 사마륨-코발트(SmCo) 자석에 대한 조건부 분석에서는 2라운드에서 순도와 명목 수율(nominal yield, 가정한 초기량으로부터 계산한 회수 비율) 사이의 상충 관계가 나타나며, NdFeB 1라운드의 경로들은 농축도에서 차이를 보인다. 석유·가스 추출 시 발생하는 생산수(produced water)에 대한 순위는 확인이 필요한 상(phase) 및 희석 가정에 따라 달라진다. 우리는 배치를 하류 베이즈 위험(Bayes risk), 즉 현재의 믿음 하에서 선택 가능한 공정 결정들 중 최소 기대 손실의 기대 감소량을 기준으로 선택할 것을 제안한다. 탐색적 시뮬레이션에서, 후보를 필터링하는 하이브리드 방식은 경로와 조건에 대한 구현된 결합 탐색(joint search)보다 추정 손실이 낮다. 합성 2단계 정책과 관련된 차이는 추정 불확실성에 비해 작다. 우리는 공유된 손실 및 로깅 표준 하에서 사전 등록된 전향적 테스트를 개략적으로 제시하며, 이를 위해서는 명확화된 측정과 기록, 정의된 공정 결정과 관련 출력, 신뢰할 수 있는 경제적 입력값, 그리고 의도한 규모에서의 검증이 필요하다.

arXiv:2607.23896v1cs.AI

자율 재료 발견을 위한 비용 인식 회수 경로 식별 및 베이지안 최적화

Cost-Aware Recovery-Pathway Identification and Bayesian Optimization for Autonomous Materials Discovery

자율 실험실은 실험 수행을 자동화하지만, 캠페인은 또한 어떤 회수 경로가 최적화할 가치가 있는지 결정해야 한다. 우리는 이를 이질적인 실험 비용 하에서 이산적인 경로 식별 단계와 경로 내 연속 최적화 단계를 갖는 순차적 의사결정 문제로 공식화한다. 우리의 구현인 Coactive learning은 EC2(Golovin et al., 2010)에서 영감을 받은 비용 민감 베이지안 가설 판별 정책과 가우시안 프로세스 베이지안 최적화(Srinivas et al., 2010)를 결합한다. 명시적으로 진술된 가정 하에서, 고정 예산 캠페인 시도 1회의 기대 지출은 기대 경로 식별 비용과 상한이 설정된 경로 내 최적화 예산의 합으로 한정된다. 우리는 PNNL의 CICERO 선택적 침전 연구(Ritchhart et al., 2026)에서 보고된 선별된 결과로 제약된 합성 벤치마크(benchmark)에서 이 방법을 평가한다. 이 방법은 정답 경로에 대한 오라클 레이블을 받지 않으면서 첫 번째 플레이트로 경로를 판별하는 강력한 split-plate 기준선(baseline) 및 오라클 경로 베이지안 최적화 기준과 비슷한 성능을 보인다. 이 방법에는 후보 가설 공간과 진단 가능도(likelihood) 모델이 주어진다. NdFeB에서 영감을 받은 사례에서, 이 방법은 처음에 그럴듯하지만 열등한 수산화물 경로를 선택하는 commit-first 기준선의 시뮬레이션 페널티를 피한다. 이 가상의 잘못된 선(先)확정 시나리오는 CICERO에서 보고된 수산화물-옥살레이트 성능 대비에 의해 동기화된다. 우리는 이러한 결론이 가정된 비용 모델에 대해 얼마나 민감한지 특성화한다. 코드와 벤치마크는 오픈 소스이다.