工程系统的人类-算法协作贝叶斯优化

贝叶斯优化已成功应用于化工工程中，用于优化难以评估或梯度难以获得的函数。然而，领域专家常常拥有宝贵的物理见解，而这些见解在完全自动化的决策方法中常被忽视，这使得需要纳入人类输入。本文我们通过概述一种协作贝叶斯优化方法，使人类重新回归数据驱动决策循环。我们的 方法论利用人类在做出离散选择方面更有效的假设，使专家能够影响关键的早期决策。我们应用高通量（批量）贝叶斯优化结合离散决策理论，使领域专家能够影响实验选择。在每个迭代中，我们应用一种多目标方法， resulting in 一组具有高效用性且相对互异的备选方案。专家然后从该集合中选择 desired 方案进行评估，从而纳入专家知识并提高可解释性，同时保持贝叶斯优化的优势。我们在多个应用和数值案例研究中展示了该方法，包括生物工艺优化和反应器几何设计，说明即使在缺乏知情者的情况下，我们的算法也能恢复标准贝叶斯优化的 regret。通过纳入持续的专家意见，该方法实现更快的收敛，并提高了工程系统中贝叶斯优化的可解释性。