研究課題と適用範囲

既存の観測から次の実験候補を選ぶことが課題です。ただし最適化器の提案は実験許可ではありません。BayBEはCampaignで提案と測定の循環を管理し、BoTorchは確率モデルと獲得関数の部品を提供します。Axは探索空間・目的・trialを管理し、Optunaは目的関数とstudyを中心に最適化します。用途と記録要件で選び、根拠のない順位付けは避けます。

前提条件

まず合成データか既測定データで試します。変数ごとに型、単位、範囲を明記し、操作変数と記録のみの条件を分けます。目的の方向、測定の不確かさ、バッチ数、費用、安全上の除外条件、承認者を定めます。制限付きデータは承認済み環境で扱い、ライセンスも確認します。

作業手順

  1. trial ID、条件、単位、時刻、結果、不確かさ、失敗理由、出典を持つ版管理表を作ります。回顧的評価用の履歴を固定します。
  2. 一つの道具を選びます。BayBE文書はCampaign.recommend()とadd_measurements()を示し、Axは候補をtrialとして扱います。BoTorchでは代理モデルと獲得関数を自分で選びます。Optunaのstudyはユーザー定義の目的関数を呼ぶため、実験装置につなぐ場合は別途承認が必要です。
  3. 合成データで次のバッチの提案を作り、型、必須制約、重複を確認して人が承認します。承認され実際に測定した値だけを観測として追加します。本稿では最適化コードを実行していません。

結果の解釈と確認

提案条件と実施条件、却下理由、測定値、不確かさを別々に残します。同じ予算の単純な基準方法と比較します。失敗実験は失敗として記録し、欠測を成功やゼロとみなしません。

限界とよくある誤り

制約とバッチ処理はツールや版によって異なります。Axの資料も、予測上の制約を実測値が破り得ると説明します。少数で偏ったデータには過学習の危険があり、不確かさ推定は安全保証ではありません。四ツール向けのRecipeやCARSアダプターが既存とは主張しません。

関連する ChemAI Atlas ページ

リソース: BayBE, BoTorch, Ax, Optuna. 関連ガイド: 化学工学におけるAIワークフローの評価.

主な一次資料

  • https://emdgroup.github.io/baybe/stable/index.html (official source; accessed 2026-10-13)
  • https://emdgroup.github.io/baybe/0.13.2/userguide/campaigns.html (official source; accessed 2026-10-13)
  • https://botorch.org/docs/models (official source; accessed 2026-10-13)
  • https://ax.dev/docs/experiment/ (official source; accessed 2026-10-13)
  • https://optuna.org/ (official source; accessed 2026-10-13)