跳到正文
arXiv cs.AI· Noah Flynn·· 4 小时前AI 评分24

Fidelity Regret:衡量可验证设计中模拟器规格偏差的新指标

Fidelity Regret: Measuring Simulator Misspecification in Verifiable Design

AI 导读

研究提出 fidelity regret 指标,用于衡量廉价模拟器在可验证设计流程中选出的方案相对参考目标产生的简单遗憾。在覆盖 5 个实测门库、3 种生物体的 21,362 个设计组合子空间上,72 个测试单元平均归一化遗憾为 0.369,仅 6 个单元为零遗憾。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:RLVF 假设验证器评估的是所关注的量。在基因电路设计中,拓扑验证器可以确认一个程序是计算目标函数的有效电路,而对其物理性能进行排序则需要模拟器。我们在一个包含 21,362 个设计的组合子空间上测量保真度遗憾,即当廉价模拟器选择设计时所产生的参考简单遗憾,该子空间涵盖 5 个实测门库和 3 种生物体。精确的有序赋值检查在每个测试单元中都保留正遗憾,同时使遗憾幅度向两个方向偏移。在 72 个单元中,平均归一化遗憾为 0.369,仅 6 个单元的遗憾为零。这种差异强烈依赖于参考轴:酵母库 SC1C1G1T1 在流式细胞术质量上的平均遗憾为 0.113,在生长负担上的平均遗憾为 0.801,并且每个被评估的库—电路尺寸对都具有正负担遗憾。拓扑验证将所有有效门赋值视为等同,而一个受限于保留至少 25% 设计空间的 oracle 白名单在 52 个单元中的 30 个仍留下正遗憾。设计空间优化和基于冻结语言模型的反馈引导搜索会到达高遗憾区域;在匹配的零遗憾对照上,额外优化反而会降低遗憾。在匹配的建模成本预算下,缓解效果取决于预算和库。一种样本内固定规则将预算的 $\alpha{=}0.34$ 用于对廉价模拟器排名靠前的设计重新评分,其平均超额遗憾为 0.016,而仅使用廉价模拟器为 0.305,仅使用参考为 0.034,并在 360 个单元中的 330 个上优于仅使用廉价模拟器。更广泛地说,任何通过模拟器或数字孪生优化的流程都可能满足其验证器,却在预期的物理目标上表现不佳。保真度遗憾提供了一个可迁移的模板,用于在优化前检测这一差距,并跨科学领域比较预算感知的补救措施。
评论: NeurIPS 2026 Workshop "Sim2Science: ML with Imperfect Scientific Models"
主题: 人工智能(cs.AI)
引用为: arXiv:2611.22263 [cs.AI]
  (或此版本的 arXiv:2611.22263v1 [cs.AI])
  https://doi.org/10.48550/arXiv.2611.22263

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Noah Flynn [查看电子邮件]
[v1] 2026年11月17日星期二 06:11:07 UTC(480 KB)

来源:arXiv cs.AI · arxiv.org