Bgolearn：一种用于加速材料发现的统一贝叶斯优化框架

《npj Computational Materials》：Bgolearn: a unified Bayesian optimization framework for accelerating materials discovery

　　

摘要

在加速材料发现的过程中，如何高效地探索庞大的组合与处理空间仍是一个重大挑战。贝叶斯优化为以最少的实验次数找到最优材料提供了理论基础，但由于实现复杂以及缺乏特定领域的工具，其应用一直受到限制。在此，我们推出了Bgolearn——一个功能强大的Python框架，它通过直观的界面、稳健的算法以及针对材料研究的专用工作流程，将贝叶斯优化应用于材料科学领域。Bgolearn支持单目标与多目标优化、多种数据采集策略、多种替代模型以及不确定性量化，有助于人们更有效地在复杂的设计空间中寻找到最优解。基准测试表明，与随机搜索、网格搜索和遗传算法相比，Bgolearn可将实验工作量减少40%至60%，同时还能获得相当或更优的解决方案质量。在多个案例研究中都验证了它的有效性，这些研究包括寻找最大弹性模量的三周期极小曲面结构、超高硬度的熵增合金，以及高强度、高延展性的中锰钢，此外还有大量学术论文对其效果进行了佐证。凭借可无缝集成到现有材料研究工作流程中的模块化架构，以及能够消除编程障碍的图形界面BgoFace，Bgolearn为材料科学领域的贝叶斯优化提供了一个实用且可靠的平台。该软件可在https://github.com/Bin-Cao/Bgolearn上免费获取。