| dc.contributor.advisor | Rekatsinas, Christoforos | |
| dc.contributor.advisor | Ρεκατσίνας, Χριστόφορος | |
| dc.contributor.author | Ntagiantas, Alexandros | |
| dc.contributor.author | Νταγιαντάς, Αλέξανδρος | |
| dc.date.accessioned | 2026-05-11T09:51:34Z | |
| dc.date.available | 2026-05-11T09:51:34Z | |
| dc.date.issued | 2026-04-20 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19288 | |
| dc.description.abstract | 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). | el |
| dc.format.extent | 70 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Autonomous multi-objective design optimization using Bayesian approaches and active learning | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The discovery and design of advanced functional materials often involve extremely large
combinatorial design spaces, making exhaustive exploration through traditional
computational or experimental approaches impractical. In recent years, machine learning
and data-driven optimization techniques have emerged as promising tools for accelerating
materials discovery by enabling efficient exploration of complex design spaces. Among
these approaches, Bayesian Optimization (BO) has gained significant attention due to its
ability to optimize expensive black-box functions using a limited number of evaluations.
However, the performance of BO can deteriorate when applied to very large search spaces,
as the algorithm must allocate evaluations across many potentially unpromising regions.
To address this challenge, this thesis investigates the integration of Active Learning–based
space reduction with Bayesian optimization for efficient materials design.
Specifically, the proposed framework first applies Bayesian Optimization to explore the
initial design space and gather informative samples. Subsequently, a classification-based
Active Learning method (DAGS) is used to identify and filter low-performing regions of
the design space, effectively reducing the search domain. Bayesian Optimization is then
re-applied within the reduced design space in order to improve optimization efficiency.
The proposed pipeline is evaluated in both single-objective and multi-objective
optimization settings.
Experimental results demonstrate that the proposed space-reduction strategy can
significantly improve optimization efficiency by focusing the search on high-potential
regions of the design space while maintaining competitive solution quality. The findings
highlight the potential of combining Active Learning and Bayesian Optimization as a
unified framework for data-efficient exploration of large materials design spaces,
particularly in the context of nanoporous materials such as Covalent Organic Frameworks
(COFs). | el |
| dc.corporate.name | National Center of Scientific Research "Demokritos" | el |
| dc.contributor.master | Τεχνητή Νοημοσύνη - Artificial Intelligence | el |
| dc.subject.keyword | Bayesian optimization | el |
| dc.subject.keyword | Active learning | el |
| dc.subject.keyword | Multi-objective optimization | el |
| dc.subject.keyword | Design space reduction | el |
| dc.subject.keyword | Nanoporous materials | el |
| dc.subject.keyword | Nanoporous materials Pareto optimization materials discovery | el |
| dc.subject.keyword | Pareto optimization materials discovery | el |
| dc.subject.keyword | Artificial Intelligence | el |
| dc.date.defense | 2026-04-30 | |
