近日我校学生刘润哲的研究论文以封面文章在机器学习领域SCI期刊Digital Discovery上正式发表。该研究设计了一款自优化贝叶斯算法。该算法以高斯过程回归作为代理模型，并在模型训练过程中采用自适应策略，以此提升模型的训练效果。在模型的训练过程中通过引入正则化参数来减少过拟合的影响，同时为了避免模型训练时陷入局部极值陷阱采用了重启机制。内核函数作为高斯过程模型的核心对模型的预测起决定作用，该算法通过迭代径向基函数内核、马氏内核、有理二次内核、点乘内核并选取最佳内核进行最终的预测，显著地提升了算法的性能。在以往的案例中使用贝叶斯算法往往依赖于特定的采样方式来获得分布均匀的先验数据，以及精准的实验结果，然而使用SOBayesian算法无需采用特定设计先验数据。同时在面对具有5%实验误差的先验数据时利用该算法进行优化不会改变最终优化结果。在一个标准的基础化学反应模型上进行测试SOBayesian的可重复性，准确性，以及优化效率均高于目前连续流优化领域的主流算法。研究团队利用该算法优化了以布赫瓦尔德 – 哈特维希反应合成吡啶基苯甲酰胺的连续流合成工艺，验证了该算法的有效性。在 30 轮迭代优化内实现了 79.1% 的产率，并且在使用较少的先验数据进行后续优化时，成功减少了 27.6% 的实验次数，显著降低了实验成本。算法通过对实验结果表明该反应是动力学控制的，为优化类似反应和连续流自动化优化提供了新的思路。

文章信息：

Self-optimizing Bayesian for continuous flow synthesis process

Digital Discovery, 2024,3, 1958-1966

DOI: 10.1039/d4dd00223g