通过非交互式和交互式多保真贝叶斯优化加速物理发现：当前挑战与未来机遇

计算和实验材料发现都带来了探索多维且通常不可微的参数空间的挑战，例如具有多种相互作用的哈密顿量的相图、组合库的成分空间、处理空间和分子嵌入空间。这些系统通常对单个实例的评估昂贵或耗时，因此基于穷举网格或随机搜索的经典方法数据需求过大。这导致人们对主动学习方法（如贝叶斯优化）产生了浓厚兴趣，其中自适应探索基于人类学习（发现）目标进行。然而，经典贝叶斯优化基于预定义的优化目标，平衡探索和利用的策略纯粹是数据驱动的。在实际环境中，领域专家可以以部分已知的物理定律形式对系统提出先验知识，并且经常在实验过程中改变探索策略。在这里，我们探索基于多保真贝叶斯优化（MFBO）的交互式工作流，从经典（数据驱动）MFBO开始，然后是结构化（物理驱动）sMFBO，并将其扩展到允许人在回路的交互式iMFBO工作流，以实现自适应且与领域专家一致的探索。这些方法在从伊辛模型生成的高度非光滑多保真模拟数据上进行了演示，将自旋-自旋相互作用作为参数空间，晶格尺寸作为保真度空间，目标为最大化热容。详细分析和比较显示了物理知识注入和实时人类决策对改进探索的影响、当前挑战以及结合数据、物理和实时人类决策的算法开发的潜在机遇。