面向化学反应贝叶斯优化的稳健迁移学习策略研究

《Digital Discovery》：Robust Transfer Learning for Bayesian Optimization of Chemical ReactionsOpen Access

　　迁移学习为加速贝叶斯优化（BO）提供了一条有前景的途径，即通过复用相关优化任务中获取的知识来加速过程。在化学反应优化中，此类机会在搜索空间扩展过程中自然产生——此前涉及相关但不同的底物、配体、催化剂或优化目标的优化方案可以加速对新化学体系的探索。尽管这类设置具有重要的实践意义，但基于BO的迁移学习在化学相关的搜索空间扩展方面却较少受到关注。在此，我们利用代表性的高通量反应优化基准数据集，系统地研究了成功迁移学习的决定因素。我们表明，稳健的迁移学习不仅依赖于迁移策略本身，还依赖于底层的 Gaussian Process（GP）模型。特别是，校准良好的、维度感知的超先验（hyperpriors）相较于传统的默认先验，能够显著提升迁移性能；同时，随着优化方案被迁移到更大规模的新化学物质集合时，隐藏空间分子表示的优势也日益凸显。更重要的是，我们强调迁移学习的核心挑战在于平衡正向迁移与负向迁移。在我们所考虑的基准数据集中，历史观测的直接复用被证明效果显著；而刻意构建的压力测试场景则揭示，当源方案与目标方案存在足够大的差异时，误导性的先验信息可能会严重损害优化性能。基于这些观察，我们提出了一种简单的两阶段迁移协议：该协议初始阶段利用历史观测，在收集到足够的目标任务证据后，再过渡到任务感知的迁移。尽管没有一种策略在所有情况下都是最优的，但我们的结果建立了实用准则，可根据历史方案与目标优化方案之间预期的相似程度来选择迁移学习策略，同时将所提出的两阶段协议确定为当相似程度不确定时的稳健默认选择。该内容仅可通过 PDF 访问。PDF：《面向化学反应贝叶斯优化的稳健迁移学习》? 2026 The Author(s)。由 Royal Society of Chemistry 出版2026版权所有人：The Author(s)本文依据 Creative Commons Attribution 4.0 Unported Licence 授权发布。您可以在其他出版物中使用本文材料，无需向 RSC 申请额外许可，前提是给予正确的致谢。本作品依据 Creative Commons Attribution 4.0 International License 授权发布。