基于排序的贝叶斯优化及其在分子选择中的应用

贝叶斯优化（BO）已成为从自动驾驶车辆控制到加速药物和材料发现等多样应用中自主决策的必备工具。随着自驾实验室的日益受到关注，BO 在化学系统中的应用对于机器学习（ML）引导的实验规划至关重要。通常情况下，BO 采用回归 surrogate model 预测未知搜索空间部分的分布。然而，对于分子选择，挑选其属性分布的顶部候选者，他们的相对排序可能比其确切值更重要。在本文中，我们引入基于排序的贝叶斯优化（RBO），其利用排序模型作为 surrogate。我们对 RBO 的优化性能与常规 BO 在 various chemical datasets 上的进行了全面调查。我们的结果表明，使用排序模型在 various chemical datasets 上实现了相似或更好的优化性能，特别是对于具有粗糙结构-性质景观和活性悬崖的数据集。此外，我们观察到 surrogate 排序能力与 BO 性能之间存在很高的相关性，并且即使在使用排序 surrogate model 的情况下，这种能力也在 BO 优化的早期迭代中得以维持。我们得出结论，RBO 是一种有效的回归基于 BO 的替代方案，尤其适用于优化新型化合物。