概览
Summit 提供用于优化化学过程的工具，初期重点是化学反应。其工作流使用优化算法，针对一个或多个目标探索温度和化学计量比等条件，目标包括产率或对映体过量。它是用于构建和评估优化工作流的工具包，而不是单一的预测模型，也不是有文档说明的实验室控制系统。
README 描述了两个主要组成部分：八种已实现的优化策略，以及基于机理或数据驱动模拟构建的反应基准。这些基准为评估策略提供了测试环境，便于在考虑将策略用于物理实验之前进行评估。该工作流通过迭代运行器，将优化领域、策略和实验连接起来。输入包括反应条件领域、目标定义和选定的基准；输出包括评估后的目标值，以及用于检查相互竞争目标的 Pareto 图。
提供的快速入门示例使用 SnarBenchmark、MultitoSingleObjective、SOBO 和 Runner。它通过表达式组合基准的两个目标，并将闭环运行的最大迭代次数设为 50。该示例展示了目标变换、策略选择和模拟实验如何协同工作，但不能据此证明它在用户自己的反应体系上具有性能。
该示例还存在一处文档不一致：说明文字将策略称为 Nelder-Mead，但代码实例化的是 SOBO。用户在改编示例之前，应根据链接的文档核实并解决这一差异。来源摘录没有说明与硬件的直接集成，也没有展示真实实验室中的结果。
主要功能
- 文中称已实现八种优化策略，可通过迭代优化搜索反应条件。
- 机理和数据驱动的反应基准支持以模拟方式评估优化策略。
- `MultitoSingleObjective` 将多个目标组合成单个表达式，以供单目标策略使用。
- `Runner` 将策略与实验连接起来，以可配置的迭代次数上限执行闭环工作流。
- `SnarBenchmark` 提供快速入门示例中使用的反应模拟；该示例还包含对其两个目标绘制 Pareto 图的流程。
使用场景
- 建议的评估方式：在为反应开发研究选择方案之前，先在模拟反应基准上比较优化策略。
- 建议的评估方式：探索不同的目标组合如何影响 SnAr 基准中 `sty` 和 `e_factor` 目标之间的权衡。
- 建议的评估方式：使用文档中的教程，先原型化迭代式反应条件搜索，再评估其是否适用于物理实验工作流。
使用方式
- 阅读项目 README和文档，以确定与你的评估相关的基准、优化领域和目标。
- 规划环境时，检查所提供软件包配置中声明的 Python 约束
^3.8, <3.11。应将其视为依赖项声明，而非已在你的系统上测试兼容性的证据。按照 README 中的安装说明操作。 - 按照教程了解策略如何与模拟实验交互。先从文档所述的基准开始，不要假设它能够连接实验室设备。
- 检查快速入门示例中的组件：
SnarBenchmark、MultitoSingleObjective、SOBO和Runner。在选择策略之前，先解决示例对 Nelder-Mead 的描述与其SOBO实现之间的不一致。 - 为预期评估定义目标变换和迭代预算，然后使用示例中的 Pareto 图工作流检查所得的目标权衡。将模拟结果与之后可能获得的物理实验结果分开记录。