CatBOX：用于加速催化实验的类别-连续贝叶斯优化
机器学习
2026-03-23 v2 谱理论
摘要
识别最优催化剂配方和反应条件是催化研究的核心课题，但由于包含连续和类别参数的广阔多维设计空间，仍面临挑战。本文提出CatBOX，一种用于加速催化实验设计的贝叶斯优化方法，能够联合优化类别和连续实验参数。我们的方法引入一种新型谱混合核函数，将高斯混合和Cauchy混合的逆傅里叶变换组合，提供连续参数空间的灵活表示，捕捉平滑和非平滑变化。类别选择，如催化剂配方和支撑类型，通过基于汉明距离的信任区域进行导航。对于性能评估，CatBOX基于信息论进行了理论验证，并在一系列合成函数上进行了基准测试，在最佳基线方法上平均实现3倍以上的改进，相对于随机搜索实现19倍以上的改进。此外，三个真实催化实验（包括甲烷氧化耦合、尿素选择性催化还原和啶唑直接偶联），被用于体外基准测试，其中CatBOX在无任何先验知识的情况下可靠地识别出最高效的最佳催化剂配方和反应条件。最后，我们开发了一个无源代码的在线平台，以便在实际实验环境中部署，特别是针对自驾实验室环境。
引用
@article{arxiv.2505.17393,
title = {CatBOX: A Categorical-Continuous Bayesian Optimization with Spectral Mixture Kernels for Accelerated Catalysis Experiments},
author = {Changquan Zhao and Yi Zhang and Zhuo Li and Li Jin and Cheng Hua and Yulian He},
journal= {arXiv preprint arXiv:2505.17393},
year = {2026}
}