PIBO: Permutation-Invariant Bayesian Optimization for Layout Problems

•PIBO 解決了標準高斯過程 (GP) 核在處理具有置換對稱性的輸入時效率低下的問題，因為這些核更適合向量輸入而非無序集合。
•該方法已應用於風電場以外的複雜工業問題，例如碳捕獲與儲存 (CCS) 專案中的井位優化，展示了其在各種工程領域處理置換不變挑戰的多功能性。
•PIBO 編碼置換不變性的方法包括開發新穎的高斯過程核（例如 GP-Perm），透過其誘導的經驗表示之間的穩定散度來比較集合，或在深度核學習 (DKL) 框架內使用 Deep Sets 等架構學習不變表示。
•作為 PIBO 核心的最優傳輸理論，在貝葉斯推斷中透過學習從參考分佈到目標後驗的確定性映射來提供優勢，確保解的唯一性並有效生成高品質的後驗樣本，這對於複雜、多模態的目標函數至關重要。
•置換不變性作為一項基本屬性，透過減少有效搜索空間來簡化複雜的機器學習問題，對其的利用可以產生更穩健和更具泛化能力的模型。

核心概念： 解決點的順序不影響目標函數的置換不變佈局問題。
關鍵機制： 利用最優傳輸 (Optimal Transport, OT) 理論來挖掘目標函數中的對稱性。 [article summary]
代理模型： 可能使用高斯過程 (Gaussian Processes, GPs) 作為代理模型，這是貝葉斯優化中的標準做法。
置換不變性編碼：
- 可涉及新穎的高斯過程核（例如 GP-Perm），透過其誘導的經驗表示之間的穩定散度來比較集合，從而編碼置換不變性。
- 也可使用深度核學習 (Deep Kernel Learning, DKL) 模型，結合 Deep Sets 等架構來學習置換不變的嵌入。
- 與傳統 GP 核形成對比，傳統 GP 核對於置換對稱性輸入效率低下，更適合向量輸入。
最優傳輸的作用： 在貝葉斯推斷的背景下，OT 透過約束優化學習從參考分佈到目標後驗的確定性映射，確保解的唯一性並有效生成高品質的後驗樣本，這對於處理複雜、多模態的目標函數至關重要。
應用細節（風電場）： 在離岸風電場佈局優化中，相比傳統貝葉斯優化，性能更優且計算速度提升了 50%。 [article summary] 這涉及優化渦輪機佈局以最大化能源生產，同時考慮尾流擺動和渦輪機相互作用等複雜流動現象。
區分： 明確區分佈局優化與點雲優化，以提高搜索效率。 [article summary]

PIBO 將加速複雜系統的設計與優化。

透過有效處理置換不變性問題，PIBO 能顯著縮短計算時間並提升性能，從而加速風電場、碳捕獲與儲存等高成本工業設計的迭代週期。 [cite: 14, article summary]

最優傳輸理論在貝葉斯優化中的應用將更為普及。

PIBO 的成功案例展示了最優傳輸理論在處理複雜對稱性問題上的潛力，這將鼓勵更多研究將其整合到貝葉斯優化及其他機器學習框架中。 [cite: 31, 34, article summary]

針對非歐幾里得或結構化輸入的貝葉斯優化方法將持續發展。

PIBO 解決了傳統高斯過程模型在處理無序集合輸入時的局限性，預示著未來將有更多專為此類複雜數據結構設計的貝葉斯優化技術出現。

2022-03

針對風電場佈局問題，提出基於集合的多目標貝葉斯優化方法，強調傳統貝葉斯優化在處理設計集合時的局限性。

2023-02

發表利用貝葉斯優化和高保真代理模型（如大渦模擬）進行風電場佈局優化的研究，處理複雜流動現象。

2025-09

探討在高維置換空間中貝葉斯優化的可擴展核函數設計，提出基於排序演算法的新框架。

2026-03

提出基於最優傳輸的生成模型，用於貝葉斯後驗採樣，利用最優傳輸理論的結構約束確保解的唯一性。

2026-05

發表研究，引入置換不變先驗於貝葉斯優化中，應用於碳捕獲與儲存專案的井位優化，並提出新型高斯過程核（GP-Perm）和深度核學習模型（DKL-DS）。

2026-06

ArXiv AI 推出 PIBO，一種利用最優傳輸理論處理置換不變佈局問題的貝葉斯優化方法。

PIBO：針對佈局問題的置換不變貝葉斯優化