본 논문은 제한된 검색 공간에서 비용 효율적인 최적 설계를 찾기 위해 제약 조건을 고려하는 다중 충실도 베이지안 최적화(CMFBO) 프레임워크를 제시합니다. 기존 베이지안 최적화(BO)의 높은 비용 문제와 체계적인 중지 기준 부재를 해결하고자, 저렴한 저충실도 데이터를 활용하여 전체 샘플링 비용을 최소화하는 동시에 실행 가능성을 보장하는 CMFBO를 개발했습니다. 본 프레임워크는 제약 조건이 데이터 소스에 따라 변화하고 블랙박스 함수일 수 있는 경우에도 적용 가능하며, BO의 수렴 평가 문제를 해결하는 체계적인 중지 기준을 포함합니다. GP+ Python 패키지를 통해 공개적으로 사용 가능하며, 다양한 벤치마크 문제를 통해 효과를 검증했습니다.
