面向自驱动实验室的多阶段贝叶斯优化

自驱动实验室 (SDL) 结合了机器人、自动化和基于机器学习的数据分析与决策的最新技术进展，用于在无需直接人工干预的情况下实现人类导向的目标自主实验。SDL 在材料科学、化学等领域成功应用，用于系统性、数据高效地优化工艺、材料和器件。目前，最广泛使用的识别最具信息性下一个实验的算法是贝叶斯优化。虽然适用于广泛的优化问题，但标准贝叶斯优化依赖于固定的实验工作流程，并清晰地定义一组优化参数和一个或多个可测量的目标函数。这排除了对计划操作序列变更以及包含中间测量在决策过程中的可能性。因此，许多真实世界的实验需要被调整和简化，以适应自驱动实验室的常见设置。本文引入了一种贝叶斯优化的扩展，允许对多阶段工作流程进行灵活抽样，并基于中间可观测量（即代理测量）做出最优决策。我们系统比较了考虑代理测量相对于传统贝叶斯优化的优势，后者仅观察最终测量。我们发现，在广泛的场景中，代理测量在找到优质解决方案的时间和整体最优性方面均实现了显著改善。这不仅为在自主实验室中使用更复杂且更真实的实验工作流程铺平了道路，也为下一代 SDL 平滑地结合仿真和实验提供了可能。