Neue Methode RAMBO revolutioniert Bayesian Optimization in mehrregimigen Problemen

In der Welt der Bayesian Optimization (BO) gilt seit langem die Annahme, dass die Zielfunktion überall gleich glatt sei. Diese Vereinfachung stößt jedoch bei komplexen, mehrregimigen Aufgaben wie der Suche nach molekularen Konformern oder der Wirkstoffentwicklung auf ihre Grenzen. Dort gibt es deutlich unterschiedliche Energiebasen oder heterogene molekulare Rahmen, die von einer einzigen Gaußschen Prozessmodellierung (GP) nicht adäquat erfasst werden können.

Die neue Methode RAMBO – Regime‑Adaptive Bayesian Optimization – löst dieses Problem, indem sie eine Dirichlet‑Prozess‑Mischung aus unabhängigen GPs nutzt. Während der Optimierung werden latente Regime automatisch entdeckt und jedem Regime ein eigener GP mit lokal optimierten Hyperparametern zugeordnet. Durch ein geschlosseneres Gibbs‑Sampling, das die latenten Funktionen analytisch marginalisiert, wird die Berechnung effizienter. Zusätzlich sorgt ein adaptiver Konzentrationsparameter‑Plan für eine schrittweise, von grob zu fein abgestimmte Regime‑Entdeckung.

Die zugehörigen Akquisitionsfunktionen trennen die Unsicherheit in intra‑Regime‑ und inter‑Regime‑Komponenten, was die Entscheidungsfindung präziser macht. In umfangreichen Tests – von synthetischen Benchmarks bis zu realen Anwendungen wie der Optimierung von Molekülkonformern, virtuellen Screening‑Studien in der Arzneimittelentwicklung und dem Design von Fusionsreaktoren – zeigte RAMBO konsequente Verbesserungen gegenüber führenden Baselines bei mehrregimigen Zielsetzungen.