Gryffin：一种由专家知识引导的类别变量贝叶斯优化算法

设计功能性分子与先进材料需要复杂的选择：调节连续工艺参数（如温度或流速），同时选择催化剂或溶剂。迄今为止，面向自主实验的数据驱动实验规划策略发展主要聚焦于连续工艺参数，尽管亟需为类别变量选择设计高效策略。在此，我们引入 Gryffin，一种由专家知识驱动的类别变量自主选择的通用优化框架。Gryffin 基于核密度估计的贝叶斯优化，并辅以类别分布的平滑近似。利用以物理化学描述符形式提供的领域知识，Gryffin 可显著加速对有前景分子与材料的搜索。Gryffin 还能凸显所提供描述符间的相关关系，以启发物理洞见并培养科学直觉。除综合基准测试外，我们在材料科学与化学的三个实例中展示 Gryffin 的能力与性能：（i）有机太阳能电池非富勒烯受体的发现，（ii）用于光捕获的杂化有机-无机钙钛矿设计，（iii）Suzuki-Miyaura 反应配体与工艺参数的识别。我们的结果表明，最简形式的 Gryffin 可与最先进的类别优化算法竞争；然而，当利用通过描述符提供的领域知识时，Gryffin 在性能上超越其他方法，同时精炼该领域知识以促进科学理解。