通过嵌套的汤普森采样方法收集多种近乎最优的样本

《npj Computational Materials》：Collecting diverse near-optimal samples via nested Thompson sampling

　　

摘要

将自动化实验与机器学习相结合的自动驾驶实验室（SDLs）加速了数据驱动的发现过程。尽管贝叶斯优化（BO）在SDLs中被广泛用于自主提出实验条件，但许多实际系统需要采样多种接近最优的候选方案，而不仅仅是确定一个最优解。我们提出了嵌套汤普森采样（NTS）方法，这是一种批量BO算法，通过引入嵌套采样的概念来提高样本的多样性。在NTS中，后验概率超过某个阈值的所有区域都会被均匀采样，从而能够在只需要一个超参数（即阈值调度）的情况下探索多个有潜力的区域。使用材料数据集进行的基准测试表明，NTS比传统的批量BO方法具有更高的样本多样性。此外，将NTS应用于SDL中的自动化电解质探索过程中，成功获得了多样化的实验样本。NTS算法已实现于NIMO软件包中，为自主且多样化的材料探索提供了一个实用的框架。