BoFlex：自驱动实验室的模块化贝叶斯优化框架

《Digital Discovery》：BoFlex: Modular Bayesian Optimization for Autonomous ExperimentationOpen Access

　　

自驱动实验室（SDLs）通过闭环连接自动化实验与数据驱动的决策，正在迅速改变化学和材料研究的进行方式，从而实现更快的发现和优化，同时减少实验数量。然而，驱动大多数自驱动实验室的贝叶斯优化（BO）核心仍主要由高斯过程（GP）代理主导，随着实验规模扩大以及目标景观变得高维、非平稳且异质，其计算扩展性和常用平稳核函数所施加的假设可能成为限制因素。在此，我们介绍了BoFlex，一个模块化贝叶斯优化框架，将代理模型选择提升为一等设计要素，在统一且计算高效的基础架构中支持高斯过程、集成神经网络（ENNs）和随机森林。BoFlex在单目标和多目标贝叶斯优化中提供对基于集成的代理模型的原生支持，包括与基于超体积的帕累托前沿发现的直接兼容性。在合成基准和真实数字孪生案例研究中，随着景观异质性的增加，集成神经网络展现出持续稳健的优化性能，而高斯过程在较平滑的区域内仍保持高竞争力。利用源自自主纳米材料合成和催化反应工作流的高保真数据驱动数字孪生，我们进一步表明，由集成神经网络驱动的BoFlex在真实的自驱动实验室场景中实现了强劲或领先的性能，同时保持了实际可行的运行时间。通过将模块化代理选择与可扩展的单目标和多目标优化相结合，BoFlex为化学和材料工作流中的自主实验建立了一个可推广的决策核心。

此内容仅可通过PDF获取。

打开 PDF BoFlex: 用于自主实验的模块化贝叶斯优化，在新窗口中打开

? 2026 作者。由英国皇家化学学会出版

2026

作者

本文根据知识共享署名-非商业性使用 4.0 国际许可协议授权。您可以在其他出版物中使用本文材料而无需向英国皇家化学学会申请进一步许可，前提是给出正确的致谢且不得用于商业目的。

本作品根据 知识共享署名-非商业性使用 4.0 国际许可协议 授权。