概览
当搜索涉及离散选项（如催化剂或溶剂）以及温度或流速等连续设置时，Gryffin 可用于实验规划。README 将其描述为通用贝叶斯优化框架，它将 Phoenics 的核回归方法扩展到类别型和连续—类别混合空间。Gryffin 的作用是提出实验设置，而不是亲自执行实验。
示例工作流程会提供一个定义参数和优化目标的配置，初始化 Gryffin，并将累积的观测结果传递给其推荐接口。随后，由外部实验函数评估推荐的参数设置；评估得到的目标值会附加到相应设置上，并加入观测历史。这使 Gryffin 能够融入迭代式的规划—测量循环，而实验执行和测量由外围工作流程提供。
文档所述的采集函数支持批量优化，并包含一个用于调节探索与利用平衡的采样参数。Gryffin 还可以将物理化学描述符作为专家提供的信息：静态形式使用给定的描述符，动态形式则在优化过程中对其进行细化。这些是来源所述的功能，并非经过独立验证的性能结果。
README 指定 Python 3.7 或更高版本，并链接到配置、教程、API 和 CLI 文档。其最简示例展示的是连续参数，而非完整的类别型实验。来源摘录未能证实其与仪器的集成，也未提供针对特定化学任务的定量性能；其中列出的研究应用归功于 Gryffin/Phoenics 两者。
主要功能
- 对类别型和连续—类别混合参数空间进行贝叶斯优化，并扩展 Phoenics 方法。
- 采集函数原生支持批量优化。
- 通过采样参数调节采集行为，在探索与利用之间进行权衡。
- 使用专家提供的物理化学描述符，为优化提供信息。
- 在优化过程中动态细化给定的描述符。
- 以观测结果驱动的推荐接口，并通过迭代式外部实验循环进行示例说明。
使用场景
- 预期评估用途：在化学优化研究中，将催化剂或溶剂选择与连续工艺设置一并规划。
- 预期评估用途：对于具有可用物理化学描述符的类别型分子或材料候选项，比较基于描述符的静态和动态形式。
- 预期评估用途：评估实验室工作流程中的批量推荐；该流程能够在更新观测历史之前评估多个提议的设置。
使用方式
- 从仓库 README和入门指南开始。README 指定 Python 3.7 或更高版本，并提供 PyPI 和源码安装途径；应将其视为明示要求，而非经过测试的兼容性结论。
- 查阅配置文档，以定义参数和目标。对于预期评估，选择一个规模较小且有代表性的搜索空间，并清晰记录实验结果。
- 使用教程了解类别型或混合空间的设置，以及描述符的处理方式。不要假定 README 中仅包含连续参数的示例提供了完整的类别型配置。
- 将推荐结果连接到你自己的实验评估器时，请遵循API 参考。记录每项提议的设置及测得的目标值，然后将这些观测结果返回给下一轮推荐。
- 在用于实验室部署之前，应针对你选择的基线评估探索设置、批处理和描述符形式。对于已发表的研究，请参阅项目的引用指南。