研究问题与适用范围
研究问题是根据已有观测提出下一组可行实验,但优化器建议本身绝不是实际运行许可。BayBE 以 Campaign 管理推荐与测量反馈;BoTorch 提供概率模型和采集函数构件;Ax 管理搜索空间、目标和 trial;Optuna 围绕用户定义的目标函数组织优化。选择应基于控制粒度与记录需求,而非无依据的优劣排行。
前置条件
先用合成数据或已测量数据演练。为每个变量写明类型、单位和允许范围,区分可控因素与仅记录的条件。定义目标方向、测量不确定性、批次大小、成本、安全排除条件与审核人。受限实验数据只放在获准系统中,并核对依赖许可。
操作流程
- 建立版本化表格:trial ID、参数、单位、时间、结果、不确定性、失败原因及数据出处。保留不可变历史数据作回顾评价。
- 选择一条工具路线。BayBE 官方文档用
Campaign.recommend()和add_measurements()形成反馈循环;Ax 把候选记录为 experiment 中的 trial;BoTorch 需要显式选择代理模型与采集函数;Optuna 的 study 调用用户目标函数。若目标函数会触发真实实验,须另设审批。 - 在合成数据上生成下一批提案,检查类型、硬约束和重复项,并交人工批准。只有获准且真实完成的测量才记为观测;不得把模拟输出写成实验结果。本文未执行优化器代码。
结果解释与验收
分别记录建议条件与实际执行条件、拒绝原因、测量结果和不确定性。在相同预算下与简单基线比较。失败实验应保留失败状态,不能将缺失结果当作成功或零值。
局限与常见错误
工具版本间约束与批处理行为不同。Ax 文档指出预测符合约束的 trial 在真实结果中仍可能违反约束。小样本和偏倚数据可使优化过拟合;模型不确定性不是安全保证。本文未宣称这些工具已有 Recipe 或 CARS 适配器。
相关 ChemAI Atlas 页面
资源: BayBE, BoTorch, Ax, Optuna. 相关指南: 评估化学工程中的 AI 工作流.
主要来源
- 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)