概览
BayBE 是一款通用的贝叶斯实验设计工具箱，旨在帮助用户在复杂参数空间中选择有前景的配置。在化学和材料工作流中，其文档所述用途包括选择反应条件、工艺设置和配方参数。它充当实验规划后端：用户定义可选项和优化目标，获取推荐实验，再返回测量结果以指导后续推荐。
输入包括参数定义、允许的取值或范围、约束、目标函数以及任何已有测量结果。搜索空间可以组合连续参数和离散参数。对于化学物质，README 演示了通过 SubstanceParameter 建立标签–SMILES 映射，并使用化学编码，而不是将每种物质都仅视为互不相关的类别。Campaign 会以表格形式批量生成参数配置建议，并通过 add_measurements 接收对应的目标测量值。在文档所述工作流中，实验与测量结果收集是分开的步骤。
该工具箱支持通过 Pareto 优化或期望度标量化处理多目标函数，也支持主动学习、自定义代理模型以及从相关 campaign 进行迁移学习。异步 campaign 可以处理部分测量结果和待执行实验，而序列化功能支持存储 BayBE 对象及 API 封装器工作流。回测和模型洞察工具提供了在 campaign 开始前或进行期间检查优化设置的方式。这些是文档记录的功能，并不构成其适用于特定实验室的证据。可选功能需要额外的依赖组；项目还提供已知问题页面。因此，评估时应根据预期实验环境检查所选参数表示、约束和推荐策略。
主要功能
- 混合搜索空间可组合连续参数和离散参数，并通过约束排除不需要或不可行的配置。
- 通过 `SubstanceParameter` 使用物质 SMILES 进行化学编码；自定义类别编码可表达类别之间的关系。
- 目标变换、Pareto 目标和期望度标量化支持指定目标值和进行多目标优化。
- 主动学习、自定义代理模型和迁移学习支持采用不同策略并纳入其他信息。
- 异步 campaign 可处理部分测量结果和待执行实验；序列化支持持久化和 API 封装器工作流。
- 回测工具可比较优化设置；模型和 campaign 洞察功能可用于检查行为和特征重要性。
使用场景
- 建议的评估方式：围绕溶剂种类和工艺参数规划反应条件 campaign，并使用测得的产率更新后续推荐。
- 建议的评估方式：探索配方，设置混合组分限值，并评估多个测量属性之间的权衡。
- 建议的评估方式：在选择前瞻性工作流之前，通过对现有实验数据集进行回测，比较化学编码和推荐设置。
- 建议的评估方式：评估异步规划是否适用于部分实验仍待完成、同时其他测量结果已可用的 campaign。
使用方式
- 从官方文档和仓库 README开始。遵循文档中的安装途径，并确认化学、模拟或模型洞察所需的可选依赖。
- 使用参数指南定义实验控制项。指定允许的取值或范围；对于物质，准备 README 所示的标签–SMILES 映射。
- 构建搜索空间，并使用约束指南编码可行性限制。检查候选配置是否符合预期实验限制。
- 使用目标指南定义测量目标，并选择单目标、Pareto 或期望度目标。在选择策略前，查看文档所述的推荐器选项。
- 创建
Campaign，提交已有测量结果，并请求一批推荐。另行开展这些实验，记录目标值，再通过add_measurements返回结果以进行下一轮。 - 如需评估，可通过回测比较设置，并在采用该工作流前查阅已知问题。