面向高代价分子性质的基于代理模型的黑盒优化方法

AI 辅助分子优化是一个十分活跃的研究领域，因其有望提供下一代药物与分子材料。一个重要的困难在于待优化性质的评估代价高昂。机器学习方法在预测这些性质方面已获成功探索，但在化学空间中较未知区域存在泛化问题。我们在此提出一种基于代理模型的黑盒优化方法，以联合处理优化与机器学习问题。该方法利用进化算法优化分子性质代理模型的期望改进量。该代理模型定义为高斯过程回归（GPR）模型，并在相对于待优化性质而言的搜索空间相关区域上学习。我们表明，该方法能比纯元启发式方法更快地成功优化感兴趣的高代价性质。